Gemini Embedding 2
Réseau Neuronal
Gemini Embedding 2 est un modèle d'embeddings multimodal de Google pour la recherche sémantique et le RAG.
Caractéristiques
- Entrée
- texte, documents
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 8 192 tokens
- Dimensions du vecteur
- 3 072
- Fonctionnalités
- Batch API
Coût du prompt
(par 1M tokens)
Comment ça marche Gemini Embedding 2?
Gemini Embedding 2 est le premier modèle d'embeddings multimodal de Google : il projette le texte et les images dans un espace vectoriel unique, permettant une recherche par image et par texte dans un seul index. Via BotHub, le modèle est accessible via une API compatible OpenAI unique : une clé, paiement en roubles à l'usage, sans VPN ni carte étrangère, chiffrement AES-GCM, avec plus de 250 modèles disponibles. Les vecteurs peuvent être stockés dans Qdrant, pgvector ou toute autre base de données vectorielle. Idéal pour la recherche sémantique dans les bases de connaissances et catalogues, les assistants RAG sur documentation, la classification et déduplication de requêtes, et la recherche d'images similaires.Questions fréquentes sur Gemini Embedding 2
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
gemini-embedding-2 de google-gemini convertit le texte et les documents en vecteurs numériques. C'est la base pour la recherche sémantique, les réponses RAG sur base de connaissances, la classification et la déduplication de requêtes. Un contexte allant jusqu'à 65 536 tokens permet de vectoriser de longs fragments sans les découper.
La sortie n'est pas du texte, mais un vecteur : il est stocké dans une base vectorielle comme Qdrant ou pgvector et comparé par similarité cosinus. La limite de sortie selon nos données est de 2703 tokens, le mode batch est disponible pour l'indexation de masse, et la connexion se fait via l'API BotHub compatible OpenAI.
Le mode de raisonnement n'est pas indiqué dans nos données, et il n'est généralement pas requis pour les embeddings : le modèle ne formule pas de réponse, mais encode le sens du texte en vecteur. La logique sur les résultats est construite par votre pipeline de recherche ou RAG, et la réponse finale est rédigée par un modèle de chat.
Le 'function calling' et la sortie structurée ne sont pas indiqués dans nos données. Pour un modèle d'embedding, ce n'est pas un scénario standard : la réponse de l'API est déjà un tableau de nombres lisible par machine, prêt à être stocké dans une base vectorielle. Il est plus logique d'utiliser un modèle de chat pour l'appel de fonctions via la même API.
Selon nos données, le texte, les documents (y compris au format natif) et les images sont acceptés en entrée. L'audio et la vidéo ne sont pas mentionnés. Via l'API BotHub, il est facile de créer une chaîne où un autre modèle transcrit les médias, tandis que celui-ci s'occupe de la vectorisation.
Il n'y a pas d'informations sur les langues dans nos caractéristiques, il est donc préférable de tester la qualité sur vos propres données. Créez un petit ensemble de requêtes et documents types, lancez l'indexation et comparez les résultats par similarité cosinus — c'est le test le plus fiable pour les embeddings. Accès sans VPN, paiement en roubles.