Google: Gemini Embedding 2
gemini-embedding-2- 输入 / 输出
- $0.20 / $0.00
- 上下文
- 8K
- 发布日期
- 2026年9月30日
- 模态
- 嵌入
Gemini Embedding 2 简介
Gemini Embedding 2 是 Google Gemini API 中较新的向量化(embedding)模型。它把文本转成能表达语义的向量,用于搜索、聚类和推荐,维度可在 128 到 3,072 之间调整。它接受的文本比 gemini-embedding-001 更长,并用写在提示词里的指令取代了后者的任务类型参数。
擅长的任务
- 文本输入长度可达 gemini-embedding-001 上限的数倍,需要切的块更少。
- 缩减后的向量会自动归一化,省去旧模型留给你自己做的一步。
- 任务指令写在提示词里,一次请求就能用日常语言说明向量的用途。
- 128 到 3,072 的维度,可以在存储、搜索速度与精度之间取舍。
什么情况换别的模型
- 向量无法与 gemini-embedding-001 的输出比较,迁移索引意味着全部重新向量化。
- 向量只以浮点数返回,不提供紧凑的 base64 编码。
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-2" }'
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 8192 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
- —
- Official 价格
- 输入$0.20每 1M token输出$0.00每 1M token
| Official 价格每 1M token | Verified 价格每 1M token | 折扣 | |
|---|---|---|---|
| 输入 | $0.20 | — | — |
| 输出 | $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 2 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-2 完成一次 embedding,接口是 /v1/embeddings。返回结果和费用。
使用场景
更长段落的检索
向量化更大的文本块,让知识库搜索里的段落和上下文保持在一起。
指令引导的相似度
加一句简短指令,比如查找代码片段或查找 FAQ,让提示词决定什么算相似。
客服工单匹配
把新工单匹配到以前描述同一问题、但措辞不同的工单。
主题聚类
按语义给评论或文章分组,不必写关键词列表就能看到主题。
提示词示例
task: question answering | query: 如何在不停机的情况下轮换 API 密钥
title: 退款政策 | text: 客户可在收货后 30 天内退回未使用的商品,并按原支付方式全额退款。
对这张客服工单做向量化,以便和以前相似的工单匹配:客户更换邮箱地址后无法重置密码。
费用计算器
FAQ
Gemini Embedding 2 比 Gemini Embedding 001 多了什么?
更长的文本输入、用提示词指令取代任务类型参数,以及对缩减向量的自动归一化。两个模型都把文本转成向量,但 001 的输入长度上限短得多。
我能复用用 gemini-embedding-001 生成的向量吗?
不能。Google 说明两者的向量空间不兼容,所以不能把一个模型的向量和另一个模型的向量相比较。迁移到 Embedding 2 时,文档和查询都要重新向量化。
有哪些向量维度可选?
128 到 3,072 维,推荐 768、1,536 和 3,072。Google 称较小维度的得分接近较大维度。Embedding 2 会替你对缩减后的向量做归一化,所以可以直接存储和搜索。
怎么指定任务?
没有任务类型参数。你把意图写进提示词,比如标明文本是查询,还是待检索的文档。索引两侧使用同样的约定,查询和文档才能对得上。
它返回什么?
浮点向量,每个输入文本一个,维度由你选择。可以存入任何向量索引,用余弦相似度或点积比较。
Gemini Embedding 2 的费用是多少?
在 TokenLab 上,Gemini Embedding 2 的价格为 输入 $0.20 / 输出 $0.00 每 1M token。完整明细见上方价格表。
Gemini Embedding 2 应该使用哪个端点?
Gemini Embedding 2 使用 https://api.tokenlab.sh/v1/embeddings。代码写法见下方的请求示例。
Gemini Embedding 2 支持哪些操作?
Gemini Embedding 2 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 2 对比
资料来源
审阅于 2026年10月2日