Google: Gemini Embedding 2
gemini-embedding-2- Entrada / Saída
- $0.20 / $0.00
- Contexto
- 8K
- Lançado
- 30 de set. de 2026
- Modalidades
- Incorporação
Sobre o Gemini Embedding 2
O Gemini Embedding 2 é o modelo de embedding mais recente do Google na API Gemini. Ele transforma texto em vetores que capturam o significado, para busca, agrupamento e recomendações, com dimensões ajustáveis de 128 a 3.072. Ele aceita textos mais longos que o gemini-embedding-001 e substitui o parâmetro de tipo de tarefa daquele modelo por instruções escritas no prompt.
Pontos fortes
- A entrada de texto pode ser várias vezes mais longa do que o gemini-embedding-001 permite, portanto, menos partes são necessárias.
- Vetores truncados são normalizados automaticamente, o que remove uma etapa que o modelo mais antigo deixa para você.
- As instruções da tarefa vão no prompt, para que uma solicitação possa dizer para que serve o vetor em palavras comuns.
- Dimensões de 128 a 3.072 permitem que você equilibre armazenamento e velocidade de busca em relação à precisão.
Quando usar outro modelo
- Os vetores não podem ser comparados com a saída do gemini-embedding-001, portanto, migrar um índice significa re-embedar tudo.
- Os vetores são retornados apenas como valores float, portanto, uma codificação base64 compacta não está disponível.
Primeiros passos
Criar chave de API
Crie uma chave no Console e use com qualquer modelo da plataforma.
Envie sua primeira requisição
Copie o exemplo para sua linguagem e execute-o no endpoint.
IncorporaçãoEndpoint do TokenLabPOST/v1/embeddingscurl -X POST "https://api.tokenlab.sh/v1/embeddings" \ -H "Authorization: Bearer sk-xxx" \ -H "Content-Type: application/json" \ -d '{ "dimensions": 768, "encoding_format": "float", "input": "Semantic search", "model": "gemini-embedding-2" }'
Preço
O preço oficial é a base pública do criador do modelo. O preço TokenLab é o que você paga por este modelo na TokenLab.
Preço
Por 1M Token- Official
- Entrada$0.20Por 1M TokenSaída$0.00Por 1M Token
- Preço oficial
- Entrada$0.20Por 1M TokenSaída$0.00Por 1M Token
| Preço oficialPor 1M Token | OfficialPor 1M Token | Desconto | |
|---|---|---|---|
| Entrada | $0.20 | $0.20 | — |
| Saída | $0.00 | $0.00 | — |
Uso e atividade
A taxa de sucesso é a proporção de requisições concluídas. A latência é quanto tempo uma resposta completa leva; P95 significa que 95% das requisições terminaram dentro desse tempo.
Uso e disponibilidade
Últimas 24 horas- Requisições
- Taxa de sucesso
- Latência P95
- Total de tokens
Os dados baseiam-se em solicitações agregadas de usuários, excluindo verificações de status.
Abrir no Console
Abra Gemini Embedding 2 no Console com um prompt pronto para editar ou enviar.
Ajude-me a testar gemini-embedding-2 com embedding em /v1/embeddings. Exiba o resultado e custo.
Casos de uso
Recuperação de passagens mais longas
Embede partes de texto maiores para manter os parágrafos e seu contexto juntos na busca em bases de conhecimento.
Similaridade guiada por instruções
Adicione uma instrução curta, como encontrar trechos de código ou encontrar FAQs, e deixe o prompt direcionar o que conta como semelhante.
Correspondência de tickets de suporte
Combine um novo ticket com os anteriores que descrevem o mesmo problema com palavras diferentes.
Agrupamento de tópicos
Agrupe avaliações ou artigos por significado para ver temas sem escrever listas de palavras-chave.
Exemplos de prompt
tarefa: resposta a perguntas | consulta: como faço para rotacionar uma chave de API sem tempo de inatividade
título: Política de reembolso | texto: Os clientes podem devolver itens não utilizados dentro de 30 dias após a entrega para um reembolso total no método de pagamento original.
Embede este ticket de suporte para que ele possa ser combinado com tickets anteriores semelhantes: o cliente não consegue redefinir a senha após alterar o endereço de e-mail.
Calculadora de custo
FAQ
O que o Gemini Embedding 2 adiciona em relação ao Gemini Embedding 001?
Entrada de texto mais longa, instruções baseadas em prompt em vez do parâmetro de tipo de tarefa e normalização automática de vetores encurtados. Ambos os modelos transformam texto em vetores, mas o 001 tem um limite de entrada muito menor.
Posso reutilizar embeddings feitos com o gemini-embedding-001?
Não. O Google afirma que os dois espaços vetoriais são incompatíveis, portanto, você não pode comparar vetores de um modelo com vetores do outro. Ao mudar para o Embedding 2, re-embede tanto seus documentos quanto suas consultas.
Quais tamanhos de embedding estão disponíveis?
De 128 a 3.072 dimensões, com 768, 1.536 e 3.072 recomendados. O Google diz que tamanhos menores têm pontuações próximas aos maiores. O Embedding 2 normaliza vetores truncados para você, para que você possa armazená-los e pesquisá-los diretamente.
Como funciona a seleção de tarefas?
Não há parâmetro de tipo de tarefa. Você coloca a intenção no prompt, por exemplo, marcando o texto como uma consulta ou como um documento a ser recuperado. Use a mesma convenção em ambos os lados do seu índice para que as consultas e os documentos se alinhem.
O que ele retorna?
Vetores float, um por texto de entrada, na dimensão que você escolher. Armazene-os em qualquer índice vetorial e compare-os com similaridade de cosseno ou produto escalar.
Quanto custa o Gemini Embedding 2?
No TokenLab, Gemini Embedding 2 custa Entrada $0.20 / Saída $0.00 Por 1M Token. A tabela de preços acima mostra o detalhamento completo.
Qual endpoint o Gemini Embedding 2 deve usar?
Use https://api.tokenlab.sh/v1/embeddings para Gemini Embedding 2. O exemplo de requisição abaixo mostra o formato de código correspondente.
Quais operações o Gemini Embedding 2 suporta?
Gemini Embedding 2 suporta Incorporação. Selecione uma operação acima para ver seu endpoint e exemplo de requisição.
Comparar Gemini Embedding 2
Fontes
Revisado em 2 de out. de 2026
