Google: Gemini Embedding 001

Gemini Embedding 001, anlamsal geri alma için metni vektörler olarak temsil eder. Bir soruyu ilgili pasajlarla eşleştirmek, benzer belgeleri gruplandırmak veya tam anahtar kelime örtüşmesi yerine anlama dayalı öneriler oluşturmak için kullanın.

Modelleri karşılaştır

gemini-embedding-001

MevcutGoogleVektörleştirmeSenkron

Girdi / Çıktı-50%: $0.15 / $0.00$0.075 / $0.00
Bağlam: 2K
Modlar: Vektörleştirme

Gemini Embedding 001 hakkında

Gemini Embedding 001, Google'ın Gemini API'sindeki yalnızca metin tabanlı yerleştirme (embedding) modelidir. Metni anlamı yakalayan vektörlere dönüştürür; böylece paylaşılan anahtar kelimelere güvenmeden bir soruyu pasajlarla eşleştirebilir, ilgili belgeleri gruplandırabilir veya öneri sistemlerini güçlendirebilirsiniz. Çıktı boyutu 128 ile 3.072 boyut arasında ayarlanabilir ve bir görev türü parametresi, modele vektörlerin ne için kullanılacağını bildirir.

Güçlü yönleri

Belge getirme veya anlamsal benzerlik gibi bir görev türü parametresi, genel bir yerleştirme kullanmak yerine vektörleri işe göre ayarlamanıza olanak tanır.
Çıktı boyutları 3.072'den 128'e kadar düşürülebilir ve Google, daha küçük boyutların tam boyuta yakın puanlar aldığını belirtmektedir.
Her girdi dizisi kendi yerleştirmesine sahiptir; bu da her belgenin kendi vektörüne ihtiyaç duyduğu toplu indeksleme için uygundur.
Vektörler float değerleri veya base64 olarak döndürülür, böylece kompakt bir şekilde saklanabilirler.

Alternatif aramanız gereken durumlar

Girdi yalnızca metindir ve yeni modele göre oldukça düşük bir sınıra sahiptir, bu nedenle uzun belgeler yerleştirilmeden önce parçalara ayrılmalıdır.
3.072 boyuttan küçük vektörlerin, benzerlik aramasından önce sizin tarafınızdan normalleştirilmesi gerekir.
Vektör uzayı gemini-embedding-2 ile uyumlu değildir, bu nedenle geçiş yapmak tüm koleksiyonun yeniden yerleştirilmesini gerektirir.

Başlarken

API anahtarı oluştur
Console'da bir anahtar oluşturun, platformdaki tüm modellerle kullanın.

İlk isteğinizi gönderin

Diliniz için olan örneği kopyalayın ve uç noktada çalıştırın.

VektörleştirmeTokenLab uç noktası

POST/v1/embeddings

curl -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-001"
}'

Fiyatlandırma

Official fiyat, model yapımcısının açık temel fiyatıdır. TokenLab fiyatı, bu modeli TokenLab'de ödediğiniz tutardır.

Fiyatlandırma

1M token başına

TokenLab fiyatı: Girdi$0.0751M token başınaÇıktı$0.001M token başına
Resmi fiyat: Girdi$0.151M token başınaÇıktı$0.001M token başına

İndirim: -50%

	Resmi fiyat1M token başına	TokenLab fiyatı1M token başına	İndirim
Girdi	$0.15	$0.075	-50%
Çıktı	$0.00	$0.00	—

Kullanım ve etkinlik

Başarı oranı, tamamlanan isteklerin payıdır. Gecikme, tam bir yanıtın ne kadar sürdüğüdür; P95, isteklerin %95’inin bu süre içinde tamamlandığı anlamına gelir.

Kullanım ve kullanılabilirlik

Son 24 saat

İstekler
Başarı oranı
P95 gecikmesi
Toplam token

Model performansı

Son güncelleme: 3 Eki 2026 19:17 UTC

Metrikler, gizlilik ve veri hacmi eşikleri karşılandığında görünür.

Veriler, durum kontrolleri hariç tutularak toplu kullanıcı isteklerine dayanmaktadır.

Console'da aç

Gemini Embedding 001 modelini Console'da açın, istemi düzenlemek veya göndermek için hazır hale getirin.

gemini-embedding-001 ile /v1/embeddings üzerinden embedding işlemini dene. Sonucu ve maliyeti göster.

Kullanım senaryoları

Soru cevaplama için getirme (retrieval)
Belge parçalarını bir kez yerleştirin, her soruyu sorgu görev türüyle yerleştirin ve bir sohbet modelini beslemek için en yakın parçaları getirin.
Kopya ve kopya benzeri içerik tespiti
Destek taleplerinin veya ürün açıklamalarının vektörlerini karşılaştırarak aynı şeyi farklı kelimelerle ifade eden öğeleri bulun.
Konu gruplandırma
Geri bildirimleri veya makaleleri, anahtar kelime listeleri yazmadan temaları görmek için anlama göre gruplandırın.
İçerik önerileri
Okuyucunun az önce bitirdiği içeriğe en yakın vektörleri bularak ilgili makaleler önerin.

Prompt örnekleri

Bu 500 yardım merkezi paragrafını getirme için yerleştirin ve kullanıcıların bunları doğal dilde arayabilmesi için vektörleri saklayın.

Şu ifadeye anlamca en benzer beş destek talebini bulun: müşteri e-posta adresini değiştirdikten sonra şifresini sıfırlayamıyor.

Her incelemeyi yerleştirerek ve en yakın komşuları gruplandırarak son bir aylık uygulama incelemelerini kümeleyin.

Maliyet hesaplayıcı

Aylık giriş token sayısı1M token

Aylık çıkış token sayısı0.5M token

Tahmini aylık maliyet$0.07

FAQ

Gemini Embedding 001 ne için kullanılır?

Metin üzerinde anlamsal arama ve getirme, gruplandırma, sınıflandırma ve öneriler için kullanılır. Metni, benzer anlamların birbirine yakın olduğu bir vektöre dönüştürür. Belge mi yerleştirdiğinizi, sorgu mu yaptığınızı veya benzerlik mi karşılaştırdığınızı belirtmek için görev türü parametresini kullanın.

Gemini Embedding 001, Gemini Embedding 2'den nasıl farklıdır?

001 yalnızca metin işler, çok daha kısa bir girdi sınırına sahiptir ve görev türü parametresi kullanır. Embedding 2 daha uzun metinleri kabul eder ve bunun yerine komut içinde görev talimatları bekler. Vektörleri birbiriyle karşılaştırılamaz.

Hangi boyutu seçmeliyim?

Google 768, 1.536 veya 3.072 boyutlarını önerir ve 128 ile 3.072 arasında herhangi bir değere izin verir. Daha düşük boyutlar, tam boyuta yakın puanlarla depolama ve arama süresinden tasarruf sağlar. 3.072'nin altında herhangi bir değer kullandığınızda vektörü kendiniz normalleştirin.

Girdi ne kadar uzun olabilir?

Her girdinin bir uzunluk sınırı vardır. Daha uzun belgeler için, uygun parçalara bölün ve her birini ayrı ayrı yerleştirin. Paragraf veya başlık sınırlarından bölmek, genellikle sabit uzunluklu kesimlerden daha iyi getirme sonuçları verir.

Nasıl çağırırım?

Standart yerleştirme isteği formatını kullanın. Model adını ve girdi metnini veya dizi listesini gönderin, ardından vektörleri yanıttan okuyun. Çıktı, float değerleri veya base64 olarak istenebilir.

Gemini Embedding 001 ne kadara mal olur?

TokenLab üzerinde Gemini Embedding 001 Girdi $0.075 / Çıktı $0.00 1M token başına'dır. Tam dökümü yukarıdaki fiyat tablosunda bulabilirsiniz.

Gemini Embedding 001 hangi endpoint'i kullanmalı?

Gemini Embedding 001 için varsayılan olarak https://api.tokenlab.sh/v1/embeddings kullanın. Sağlayıcıya özgü yerel format destekleniyorsa API workbench bu endpoint'i de gösterir.

Gemini Embedding 001 hangi operasyonları destekler?

Gemini Embedding 001 Vektörleştirme destekler. Yukarıdaki API workbench'te bir operasyon seçerek ilgili endpoint ve kod örneğini görebilirsiniz.