Gemini Embedding 001
нейросеть
Gemini Embedding 001 — модель векторных представлений от Google для семантического поиска, RAG и кластеризации текста.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 20 000 токенов
- Размерность вектора
- 3 072
- Возможности
- Batch API
Стоимость промпта
(за 1M токенов)
Как работает Gemini Embedding 001?
Gemini Embedding 001 — модель эмбеддингов от Google, которая переводит тексты в векторы и удерживает верхние позиции в бенчмарке MTEB. Она рассчитана на работу сразу в нескольких доменах: наука, право, финансы и программный код. В BotHub модель доступна через единый OpenAI-совместимый API, без VPN и зарубежной карты, с оплатой в рублях по факту использования. Запросы передаются в зашифрованном виде, а данные не сохраняются. Векторы можно складывать в Qdrant или pgvector и строить на них семантический поиск по базе документов, RAG-контур для ассистента поддержки, кластеризацию обращений, дедупликацию карточек товаров и поиск похожих фрагментов кода в репозитории.Частые вопросы о Gemini Embedding 001
Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.
Модель переводит текст в числовые векторы: по ним строят семантический поиск, RAG-пайплайны, кластеризацию и дедупликацию, классификацию обращений и рекомендации. Контекст до 20 000 токенов позволяет векторизовать крупные фрагменты документов целиком, без дробления на мелкие куски, а режим BATCH удобен для массовой индексации базы.
На выходе вы получаете не текст, а массив чисел — вектор фиксированной длины для каждого фрагмента. Ответ приходит в JSON через единый OpenAI-совместимый API и напрямую укладывается в векторные базы вроде Qdrant или pgvector, без промежуточной конвертации форматов.
Отдельного режима рассуждений в наших данных не отмечено, да и задача у модели другая: она не пишет ответы, а возвращает векторы. Логику выводов стройте на текстовой модели, которой передаёте найденные через эмбеддинги фрагменты — переключить её в том же API несложно.
Пометок про вызов функций и схемы структурированного вывода в наших данных нет. При этом ответ эмбеддинга и так приходит структурированным JSON с массивом векторов, так что отдельный режим обычно не требуется. Нужны инструменты и строгие схемы — подключите текстовую модель тем же ключом.
Приём чего-либо кроме текста в наших данных не отмечен, поэтому планируйте пайплайн на текстовых фрагментах: расшифровках, распознанной речи, описаниях и подписях к файлам. Для работы с изображениями, аудио и видео берите профильные модели BotHub — интеграция и доступ остаются теми же.
Модели семейства Gemini рассчитаны на многоязычные корпуса, но конкретных языковых характеристик в наших данных нет, поэтому качество оценивайте на своих документах: соберите набор типовых запросов и проверьте релевантность выдачи. Доступ к модели из России идёт без VPN и зарубежной карты, оплата в рублях.