Google: Gemini Embedding 001
gemini-embedding-001- 输入 / 输出-50%
- $0.15 / $0.00$0.075 / $0.00
- 上下文
- 2K
- 模态
- 嵌入
Gemini Embedding 001 简介
Gemini Embedding 001 是 Google Gemini API 中仅支持文本的向量化(embedding)模型。它把文本转成能表达语义的向量,因此无需依赖共有关键词,就能把问题匹配到段落、对相关文档聚类,或支撑推荐。输出维度可在 128 到 3,072 之间调整,任务类型(task type)参数告诉模型这些向量将用于什么。
擅长的任务
- 任务类型参数,比如检索文档或语义相似度,可以让向量针对具体用途调优,而不是用一种通用的向量。
- 输出维度可从 3,072 缩减到最低 128,Google 指出较小维度的得分接近完整维度。
- 每个输入字符串都有自己的向量,适合每个文档都需要独立向量的批量建索引。
- 向量可以作为浮点数或 base64 返回,便于紧凑存储。
什么情况换别的模型
- 只支持文本输入,长度上限远低于新模型,长文档要先切块再向量化。
- 维度低于 3,072 的向量,需要你在做相似度搜索前自己做归一化。
- 它的向量空间与 gemini-embedding-2 不兼容,换模型意味着要对整个集合重新向量化。
快速上手
创建 API 密钥
在 Console 生成一把密钥,平台上的模型都能用。
发送第一个请求
复制你所用语言的示例代码,向该端点发起请求。
嵌入TokenLab 端点POST/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" }'
参数
嵌入
| 参数 | 可选值与限制 | 默认值 | 说明 |
|---|---|---|---|
dimensions | ≥ 128, ≤ 3072 | 未提供 | 未提供 |
encoding_format | 未提供 | 未提供 | This field is accepted. The current public contract does not specify a complete value range or list. No additional values are promised. The omitted-field default is not verified. |
input必填 | 未提供 | 未提供 | TokenLab accepts text strings or arrays of text strings. Each input is limited to 2048 tokens. Multimodal and token-array inputs are outside the current public contract. |
user | 未提供 | 未提供 | 未提供 |
TokenLab accepts text strings or arrays of text strings. Token arrays and multimodal inputs are outside this public contract. Usage is the input token count the model reports, or an independent count of the input tokens.
TokenLab accepts text strings or arrays of text strings. Token arrays and multimodal inputs are outside this public contract. Usage is the input token count the model reports, or an independent count of the input tokens.
价格
Verified 价格用于 Verified,多数模型更便宜;Official 价格是模型厂商公布的价格,用于更稳定的 Official。Auto 按最终完成请求的线路计价。
价格
每 1M token- Verified 价格
- 输入$0.075每 1M token输出$0.00每 1M token
- Official 价格
- 输入$0.15每 1M token输出$0.00每 1M token
折扣: -50%
| Official 价格每 1M token | Verified 价格每 1M token | 折扣 | |
|---|---|---|---|
| 输入 | $0.15 | $0.075 | -50% |
| 输出 | $0.00 | $0.00 | — |
用量与动态
成功率是请求完成的比例;延迟是拿到一次完整响应要花的时间,P95 表示 95% 的请求都在这个时间内完成。
用量与可用性
最近 24 小时- 请求
- 成功率
- P95 延迟
- 总 token 数
数据来自汇总的用户请求,不含状态检查。
直接在 Console 里试
Gemini Embedding 001 已在 Console 备好,提示词已填好,可以直接修改或发送。
帮我用 gemini-embedding-001 完成一次 embedding,接口是 /v1/embeddings。返回结果和费用。
使用场景
问答检索
把文档分块向量化一次,每个问题用查询任务类型向量化,取出最近的分块提供给对话模型。
重复和近似重复检测
比较客服工单或商品描述的向量,找出表达不同但意思相同的条目。
主题聚类
按语义给反馈或文章分组,不必写关键词列表就能看到主题。
内容推荐
找出与读者刚读完的内容最近的向量,推荐相关文章。
提示词示例
把这 500 段帮助中心的内容向量化用于检索,并存储向量,让用户能用自然语言搜索。
找出语义上最接近这句话的五张工单:客户更换邮箱地址后无法重置密码。
对上个月的应用评价聚类:为每条评价生成向量,再把最近邻分到一组。
费用计算器
FAQ
Gemini Embedding 001 用来做什么?
针对文本的语义搜索与检索、聚类、分类和推荐。它把文本转成向量,含义相近的文本向量就靠得近。用任务类型参数说明你是在向量化文档、查询,还是在比较相似度。
Gemini Embedding 001 和 Gemini Embedding 2 有什么区别?
001 只处理文本,输入长度上限短得多,并使用任务类型参数。Embedding 2 接受更长的文本,并改为要求把任务指令写在提示词里。两者的向量不能互相比较。
应该选多少维度?
Google 推荐 768、1,536 或 3,072,允许 128 到 3,072 之间的任意值。较小的维度节省存储和搜索时间,得分接近完整维度。使用低于 3,072 的维度时,要自己对向量做归一化。
输入最长可以多长?
每个输入都有长度上限。较长的文档要拆成放得下的段落,分别向量化。按段落或标题切分,通常比固定长度切分的检索效果更好。
怎么调用?
使用标准的 embeddings 请求格式。发送模型名和输入文本或字符串列表,再从响应中读取向量。输出可以请求为浮点数或 base64。
Gemini Embedding 001 的费用是多少?
在 TokenLab 上,Gemini Embedding 001 的价格为 输入 $0.075 / 输出 $0.00 每 1M token。完整明细见上方价格表。
Gemini Embedding 001 应该使用哪个端点?
Gemini Embedding 001 使用 https://api.tokenlab.sh/v1/embeddings。代码写法见下方的请求示例。
Gemini Embedding 001 支持哪些操作?
Gemini Embedding 001 支持 嵌入。选了操作,上面会显示对应的端点和请求示例。
Gemini Embedding 001 对比
资料来源
审阅于 2026年10月2日