Google: Gemini Embedding 2

Gemini Embedding 2, metni anlamsal geri alma ve ilgili yerleştirme (embedding) iş yükleri için vektörler olarak temsil eder.

Modelleri karşılaştır

gemini-embedding-2

MevcutGoogleVektörleştirmeSenkronGüncel

Girdi / Çıktı: $0.20 / $0.00
Bağlam: 8K
Yayınlanma tarihi: 30 Eyl 2026
Modlar: Vektörleştirme

Gemini Embedding 2 hakkında

Gemini Embedding 2, Gemini API'deki Google'ın daha yeni gömme modelidir. Arama, kümeleme ve öneriler için metni anlamı yayan vektörlere dönüştürür; boyutları 128 ile 3.072 arasında ayarlanabilir. gemini-embedding-001'e göre daha uzun metinleri kabul eder ve bu modelin görev türü parametresini, istem içine yazılan talimatlarla değiştirir.

Güçlü yönleri

Metin girdisi, gemini-embedding-001'in izin verdiğinden birkaç kat daha uzun çalışabilir, bu nedenle daha az parçaya ihtiyaç duyulur.
Kesilmiş (truncated) vektörler otomatik olarak normalleştirilir; bu da eski modelin size bıraktığı bir adımı ortadan kaldırır.
Görev talimatları istemin içine yerleştirilir, böylece tek bir istekte vektörün ne amaçla kullanılacağı normal kelimelerle ifade edilebilir.
128 ile 3.072 arasındaki boyutlar; depolama ve arama hızını, hassasiyetle takas etmenize olanak tanır.

Alternatif aramanız gereken durumlar

Vektörler gemini-embedding-001 çıktısıyla karşılaştırılamaz, bu nedenle bir indeksi taşımak her şeyi yeniden gömmek anlamına gelir.
Vektörler yalnızca float değerler olarak döndürülür, bu nedenle kompakt bir base64 kodlaması mevcut değildir.

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-2"
}'

Fiyatlandırma

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

Fiyatlandırma

1M token başına

Official: Girdi$0.201M token başınaÇıktı$0.001M token başına
Resmi fiyat: Girdi$0.201M token başınaÇıktı$0.001M token başına

	Resmi fiyat1M token başına	Official1M token başına	İndirim
Girdi	$0.20	$0.20	—
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 19:18 UTC

Metrikler, gizlilik ve veri hacmi eşikleri karşılandığında görünür.

Veriler, durum kontrolleri hariç tutularak toplu kullanıcı isteklerine dayanmaktadır.

Console'da aç

Gemini Embedding 2 modelini Console'da açın, istemi düzenlemek veya göndermek için hazır hale getirin.

gemini-embedding-2 ile /v1/embeddings üzerinden embedding işlemini dene. Sonucu ve maliyeti göster.

Kullanım senaryoları

Daha uzun metin parçası getirme
Bilgi tabanı aramasında paragrafları ve bağlamlarını bir arada tutmak için daha büyük metin parçalarını gömün.
Talimat yönlendirmeli benzerlik
Kod parçacıkları bulmak veya SSS'ler bulmak gibi kısa bir talimat ekleyin ve neyin benzer sayılacağını istemin yönlendirmesine izin verin.
Destek bileti eşleştirme
Yeni bir bileti, aynı sorunu farklı kelimelerle açıklayan önceki biletlerle eşleştirin.
Konu kümeleme
Anahtar kelime listeleri yazmadan temaları görmek için incelemeleri veya makaleleri anlamlarına göre gruplandırın.

Prompt örnekleri

görev: soru yanıtlama | sorgu: kesinti yaşamadan bir API anahtarı nasıl döndürülür

başlık: İade politikası | metin: Müşteriler, orijinal ödeme yöntemine tam para iadesi için kullanılmamış ürünleri teslimattan sonraki 30 gün içinde iade edebilir.

Benzer geçmiş biletlerle eşleştirilebilmesi için bu destek biletini gömün: müşteri e-posta adresini değiştirdikten sonra şifresini sıfırlayamıyor.

Maliyet hesaplayıcı

Aylık giriş token sayısı1M token

Aylık çıkış token sayısı0.5M token

Tahmini aylık maliyet$0.20

FAQ

Gemini Embedding 2, Gemini Embedding 001'in üzerine ne ekler?

Daha uzun metin girdisi, görev türü parametresinin yerini alan istem tabanlı talimatlar ve kısaltılmış vektörlerin otomatik normalleştirmesi. Her iki model de metni vektörlere dönüştürür, ancak 001'in çok daha kısa bir girdi sınırı vardır.

gemini-embedding-001 ile oluşturulan gömmeleri yeniden kullanabilir miyim?

Hayır. Google, iki vektör uzayının uyumsuz olduğunu belirtmektedir, bu nedenle bir modelden alınan vektörleri diğer modelin vektörleriyle karşılaştırılasınız. Embedding 2'ye geçerken hem belgelerinizi hem de sorgularınızı yeniden gömün.

Hangi gömme boyutları mevcuttur?

768, 1.536 ve 3.072 önerilenler olmak üzere 128 ile 3.072 boyutları arasındadır. Google, daha küçük boyutların daha büyük olanlara yakın puanlar aldığını söylüyor. Embedding 2, kesilmiş vektörleri sizin için normalleştirir, böylece bunları doğrudan saklayabilir ve arayabilirsiniz.

Görev seçimi nasıl çalışır?

Görev türü parametresi yoktur. Niyeti istemin içine koyarsınız; örneğin metni bir sorgu veya getirilecek bir belge olarak işaretlemek gibi. Sorguların ve belgelerin aynı hizada olması için indeksinizin her iki tarafında da aynı kuralı kullanın.

Ne döndürür?

Seçtiğiniz boyutta, girdi metni başına bir tane olmak üzere float vektörler. Bunları herhangi bir vektör indeksinde saklayın ve kosinüs benzerliği (cosine similarity) veya iç çarpım (dot product) ile karşılaştırın.

Gemini Embedding 2 ne kadara mal olur?

TokenLab üzerinde Gemini Embedding 2 Girdi $0.20 / Çıktı $0.00 1M token başına'dır. Tam dökümü yukarıdaki fiyat tablosunda bulabilirsiniz.

Gemini Embedding 2 hangi endpoint'i kullanmalı?

Gemini Embedding 2 için varsayılan olarak https://api.tokenlab.sh/v1/embeddings kullanın. Sağlayıcıya özgü yerel format destekleniyorsa API workbench bu endpoint'i de gösterir.

Gemini Embedding 2 hangi operasyonları destekler?

Gemini Embedding 2 Vektörleştirme destekler. Yukarıdaki API workbench'te bir operasyon seçerek ilgili endpoint ve kod örneğini görebilirsiniz.