Gemini Embedding 001
Rede Neural
Gemini Embedding 001 — modelo de representação vetorial do Google para busca semântica, RAG e clustering de texto.
Especificações
- Entrada
- texto
- Saída
- vetores (embeddings)
- Tamanho do contexto
- 20 000 tokens
- Dimensões do vetor
- 3 072
- Recursos
- Batch API
Custo do prompt
(por 1M tokens)
Como funciona Gemini Embedding 001?
Gemini Embedding 001 é um modelo de embeddings do Google que converte textos em vetores e mantém posições de topo no benchmark MTEB. Foi projetado para trabalhar em vários domínios: ciência, direito, finanças e código. No BotHub, o modelo está disponível via API compatível com OpenAI, sem necessidade de VPN ou cartão estrangeiro, com pagamento em rublos conforme o uso. As solicitações são transmitidas de forma criptografada e os dados não são armazenados. Os vetores podem ser armazenados no Qdrant ou pgvector para criar busca semântica em bases de documentos, fluxos de RAG para assistentes de suporte, clustering de tickets, desduplicação de produtos e busca de trechos de código similares em repositórios.Perguntas frequentes sobre Gemini Embedding 001
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
O modelo converte texto em vetores numéricos: usados para construir busca semântica, pipelines de RAG, clustering e desduplicação, classificação de tickets e recomendações. O contexto de até 20.000 tokens permite vetorizar grandes fragmentos de documentos inteiros, sem dividi-los em partes pequenas, e o modo BATCH é conveniente para indexação em massa da base.
Na saída, você não recebe texto, mas um array de números — um vetor de comprimento fixo para cada fragmento. A resposta chega em JSON via API compatível com OpenAI e é inserida diretamente em bancos de dados vetoriais como Qdrant ou pgvector, sem conversão intermediária de formatos.
Não há um modo de raciocínio separado indicado em nossos dados, e a tarefa do modelo é outra: ele não escreve respostas, mas retorna vetores. Construa a lógica de inferência em um modelo de texto, ao qual você passa os fragmentos encontrados via embeddings — alternar para ele na mesma API é simples.
Não há indicações sobre chamada de funções ou esquemas de saída estruturada em nossos dados. No entanto, a resposta do embedding já chega como um JSON estruturado com um array de vetores, então um modo separado geralmente não é necessário. Se precisar de ferramentas e esquemas rígidos, conecte um modelo de texto usando a mesma chave.
Não há indicação de aceitação de nada além de texto em nossos dados, portanto, planeje seu pipeline com fragmentos de texto: transcrições, fala reconhecida, descrições e legendas de arquivos. Para trabalhar com imagens, áudio e vídeo, utilize os modelos especializados do BotHub — a integração e o acesso permanecem os mesmos.
Os modelos da família Gemini são projetados para corpora multilíngues, mas não há características linguísticas específicas em nossos dados, portanto, avalie a qualidade em seus próprios documentos: reúna um conjunto de consultas típicas e verifique a relevância dos resultados. O acesso ao modelo a partir da Rússia é feito sem VPN ou cartão estrangeiro, com pagamento em rublos.