Gemini Embedding 2
Red Neuronal
Gemini Embedding 2: modelo de embeddings multimodal de Google para búsqueda semántica y RAG.
Características
- Entrada
- texto, documentos
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 8 192 tokens
- Dimensiones del vector
- 3 072
- Funciones
- Batch API
Costo del prompt
(por 1M tokens)
Cómo funciona Gemini Embedding 2?
Gemini Embedding 2 es el primer modelo de embeddings multimodal de Google: mapea texto e imágenes en un espacio vectorial unificado, permitiendo que la búsqueda por imagen y por descripción de texto funcione en un mismo índice. A través de BotHub, el modelo está disponible mediante una API compatible con OpenAI: una sola clave, pago por uso, sin necesidad de VPN ni tarjetas extranjeras, cifrado AES-GCM y acceso a más de 250 modelos en una sola interfaz. Los vectores se almacenan en Qdrant, pgvector o cualquier otra base de datos vectorial. Es ideal para búsqueda semántica en bases de conocimiento y catálogos de productos, asistentes RAG sobre documentación, agrupación y deduplicación de consultas, y búsqueda de imágenes y materiales similares.Preguntas frecuentes sobre Gemini Embedding 2
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
gemini-embedding-2 de google-gemini convierte texto y documentos en vectores numéricos. Es la base para la búsqueda semántica, respuestas RAG en bases de conocimiento, agrupación, deduplicación y clasificación de consultas. El contexto de hasta 65 536 tokens permite vectorizar fragmentos largos completos sin necesidad de dividirlos en partes pequeñas.
La salida no es texto, sino un vector: se almacena en una base de datos vectorial como Qdrant o pgvector y se compara mediante similitud de coseno. El límite de salida según nuestros datos es de 2703 tokens; está disponible el modo por lotes para indexación masiva, y la conexión se realiza a través de la API de BotHub compatible con OpenAI.
El modo de razonamiento no está indicado en nuestros datos, y para los embeddings generalmente no es necesario: el modelo no formula una respuesta, sino que codifica el significado del texto en un vector. La lógica sobre los resultados la construye su pipeline de búsqueda o RAG, y la respuesta final la escribe un modelo de chat.
La llamada a funciones (function calling) y la salida estructurada no están indicadas en nuestros datos. Para un modelo de embeddings, este no es un escenario típico: la respuesta de la API ya llega como un array de números legible por máquina, que se escribe directamente en la base de datos vectorial. Es más lógico asignar la llamada a funciones a un modelo de chat cercano, en la misma API.
Según nuestros datos, se aceptan como entrada texto, documentos (incluidos formatos nativos) e imágenes. El audio y el video no están en la lista. A través de la API unificada de BotHub, es fácil crear una combinación donde otro modelo transcriba el contenido multimedia y este modelo se encargue de la vectorización.
No hay información sobre idiomas en las características de nuestro modelo, por lo que la calidad debe verificarse con sus propios datos. Reúna un pequeño conjunto de consultas y documentos típicos, ejecute la indexación y compare los resultados mediante similitud de coseno; para los embeddings, esta es la prueba más honesta. Acceso desde la Federación Rusa sin VPN, pago en rublos.