Google: Gemini Embedding 001
gemini-embedding-001- Đầu vào / Đầu ra-50%
- $0.15 / $0.00$0.075 / $0.00
- Ngữ cảnh
- 2K
- Phương thức
- Nhúng
Về Gemini Embedding 001
Gemini Embedding 001 là mô hình nhúng chỉ văn bản của Google trong Gemini API. Nó chuyển đổi văn bản thành các vectơ nắm bắt ý nghĩa, giúp bạn có thể khớp câu hỏi với các đoạn văn, phân nhóm các tài liệu liên quan hoặc hỗ trợ các đề xuất mà không cần dựa vào từ khóa chung. Kích thước đầu ra có thể điều chỉnh từ 128 đến 3.072 chiều, và tham số loại tác vụ (task type) cho mô hình biết các vectơ sẽ được sử dụng để làm gì.
Ưu điểm
- Tham số loại tác vụ, chẳng hạn như tài liệu truy xuất hoặc độ tương đồng ngữ nghĩa, cho phép bạn tinh chỉnh các vectơ cho công việc thay vì sử dụng một mô hình nhúng chung.
- Kích thước đầu ra có thể giảm từ 3.072 xuống còn 128, và Google lưu ý rằng các kích thước nhỏ hơn vẫn đạt điểm số gần bằng với kích thước đầy đủ.
- Mỗi chuỗi đầu vào có một vectơ nhúng riêng, phù hợp cho việc lập chỉ mục hàng loạt nơi mỗi tài liệu cần vectơ riêng của nó.
- Các vectơ được trả về dưới dạng giá trị float hoặc base64, vì vậy chúng có thể được lưu trữ một cách nhỏ gọn.
Khi nào nên chọn model khác
- Đầu vào chỉ là văn bản và bị giới hạn thấp hơn nhiều so với mô hình mới hơn, vì vậy các tài liệu dài phải được chia thành các đoạn trước khi nhúng.
- Các vectơ dưới 3.072 chiều cần được bạn chuẩn hóa trước khi thực hiện tìm kiếm độ tương đồng.
- Không gian vectơ của nó không tương thích với gemini-embedding-2, vì vậy việc chuyển đổi đồng nghĩa với việc phải nhúng lại toàn bộ bộ sưu tập.
Bắt đầu
Tạo API key
Tạo API key trong Console để dùng cho mọi mô hình trên nền tảng.
Gửi yêu cầu đầu tiên của bạn
Sao chép ví dụ cho ngôn ngữ của bạn và chạy nó với endpoint.
NhúngĐiểm cuối 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-001" }'
Giá
Giá Official là mức giá công khai của nhà phát triển. Giá TokenLab là số tiền bạn trả cho mô hình này trên TokenLab.
Giá
mỗi 1M token- Giá TokenLab
- Đầu vào$0.075mỗi 1M tokenĐầu ra$0.00mỗi 1M token
- Giá niêm yết
- Đầu vào$0.15mỗi 1M tokenĐầu ra$0.00mỗi 1M token
Giảm giá: -50%
| Giá niêm yếtmỗi 1M token | Giá TokenLabmỗi 1M token | Giảm giá | |
|---|---|---|---|
| Đầu vào | $0.15 | $0.075 | -50% |
| Đầu ra | $0.00 | $0.00 | — |
Sử dụng & hoạt động
Tỷ lệ thành công là tỷ lệ yêu cầu hoàn tất. Độ trễ là thời gian của một phản hồi đầy đủ; P95 nghĩa là 95% yêu cầu hoàn thành trong khoảng thời gian đó.
Mức sử dụng & tình trạng
24 giờ qua- Yêu cầu
- Tỷ lệ thành công
- Độ trễ P95
- Tổng token
Dữ liệu dựa trên các yêu cầu tổng hợp của người dùng, không bao gồm các kiểm tra trạng thái.
Mở trong Console
Mở Gemini Embedding 001 trong Console để chỉnh sửa và gửi prompt ngay.
Giúp tôi thử gemini-embedding-001 với embedding tại /v1/embeddings. Hiển thị kết quả và chi phí.
Tình huống sử dụng
Truy xuất để trả lời câu hỏi
Nhúng các đoạn tài liệu một lần, nhúng mỗi câu hỏi với loại tác vụ truy vấn và tìm nạp các đoạn gần nhất để cung cấp cho mô hình trò chuyện.
Phát hiện trùng lặp và gần trùng lặp
So sánh các vectơ của các phiếu hỗ trợ hoặc mô tả sản phẩm để tìm các mục có cùng ý nghĩa nhưng diễn đạt bằng từ ngữ khác nhau.
Phân nhóm chủ đề
Nhóm phản hồi hoặc bài viết theo ý nghĩa để thấy các chủ đề mà không cần viết danh sách từ khóa.
Đề xuất nội dung
Gợi ý các bài viết liên quan bằng cách tìm các vectơ gần nhất với nội dung mà người đọc vừa xem xong.
Ví dụ prompt
Nhúng 500 đoạn văn của trung tâm trợ giúp này để truy xuất và lưu trữ các vectơ để người dùng có thể tìm kiếm chúng bằng ngôn ngữ tự nhiên.
Tìm năm phiếu hỗ trợ có ý nghĩa tương tự nhất với: khách hàng không thể đặt lại mật khẩu sau khi thay đổi địa chỉ email.
Phân nhóm các đánh giá ứng dụng trong tháng qua bằng cách nhúng từng đánh giá và nhóm các láng giềng gần nhất.
Tính chi phí
FAQ
Gemini Embedding 001 được sử dụng để làm gì?
Tìm kiếm và truy xuất ngữ nghĩa, phân nhóm, phân loại và đề xuất trên văn bản. Nó chuyển đổi văn bản thành một vectơ để các ý nghĩa tương tự nằm gần nhau. Sử dụng tham số loại tác vụ để cho biết bạn đang nhúng tài liệu, truy vấn hay so sánh độ tương đồng.
Gemini Embedding 001 khác với Gemini Embedding 2 như thế nào?
001 chỉ xử lý văn bản, với giới hạn đầu vào ngắn hơn nhiều và sử dụng tham số loại tác vụ. Embedding 2 xử lý văn bản dài hơn và mong đợi các hướng dẫn tác vụ trong câu lệnh. Các vectơ của chúng không thể so sánh với nhau.
Tôi nên chọn kích thước nào?
Google khuyến nghị 768, 1.536 hoặc 3.072, và cho phép bất kỳ giá trị nào từ 128 đến 3.072. Kích thước nhỏ hơn giúp tiết kiệm dung lượng lưu trữ và thời gian tìm kiếm với điểm số gần bằng kích thước đầy đủ. Hãy tự chuẩn hóa vectơ khi bạn sử dụng bất kỳ giá trị nào dưới 3.072.
Đầu vào có thể dài bao nhiêu?
Mỗi đầu vào có một giới hạn độ dài. Đối với các tài liệu dài hơn, hãy chia chúng thành các đoạn phù hợp và nhúng từng đoạn. Ranh giới đoạn văn tại các đoạn hoặc tiêu đề thường mang lại kết quả truy xuất tốt hơn so với việc cắt theo độ dài cố định.
Làm thế nào để gọi mô hình này?
Sử dụng định dạng yêu cầu nhúng tiêu chuẩn. Gửi tên mô hình và văn bản đầu vào hoặc danh sách các chuỗi, sau đó đọc các vectơ từ phản hồi. Đầu ra có thể được yêu cầu dưới dạng giá trị float hoặc base64.
Gemini Embedding 001 có giá bao nhiêu?
Trên TokenLab, Gemini Embedding 001 có giá Đầu vào $0.075 / Đầu ra $0.00 mỗi 1M token. Bảng giá phía trên cho thấy chi tiết đầy đủ.
Gemini Embedding 001 nên dùng endpoint nào?
Dùng https://api.tokenlab.sh/v1/embeddings làm mặc định cho Gemini Embedding 001. Nếu mô hình hỗ trợ định dạng native của nhà cung cấp, API workbench cũng hiển thị endpoint đó.
Gemini Embedding 001 hỗ trợ những thao tác nào?
Gemini Embedding 001 hỗ trợ Nhúng. Chọn một thao tác trong API workbench phía trên để xem endpoint và mã ví dụ tương ứng.
So sánh Gemini Embedding 001
Nguồn
Đánh giá ngày 2 thg 10, 2026
