Gemini Embedding 001

нейросеть

Gemini Embedding 001 — мощная модель эмбеддингов, дающая унифицированное векторное представление текста в разных доменах: наука, право, финансы и программирование. Идеальна для семантического поиска, ранжирования, поиска похожих документов, кластеризации и интеграции в векторные базы данных; стабильно показывает лидирующие результаты на бенчмарке MTEB. Доступна через BotHub с оплатой в рублях и без необходимости VPN.

Характеристики

Входные данные
текст
Результат
векторы (эмбеддинги)
Размер контекста
20 000 токенов
Возможности
Batch API
16,28 ₽

Стоимость промпта

(за 1M токенов)

*Указаны цены при использовании API через ECO-провайдеров.
Пример кода и API для Gemini Embedding 001Мы предлагаем полный доступ к API OpenAI через наш сервис. Все наши конечные точки полностью соответствуют конечным точкам OpenAI, их можно использовать как с плагинами, так и при разработке собственного программного обеспечения через SDK.Создать API ключ
import OpenAI from 'openai';
const openai = new OpenAI({
  apiKey: '<your bothub access token>',
  baseURL: 'https://openai.bothub.chat/v1'
});

async function main() {
  const response = await openai.embeddings.create({
    model: 'gemini-embedding-001',
    input: 'The food was delicious and the waiter...',
    encoding_format: 'float'
  });

  const embedding = response.data[0].embedding;

  console.log(embedding);
}
main();
illustaration

Как работает Gemini Embedding 001?

Попробуйте Gemini Embedding 001 на BotHub — доступ быстро и оплата в рублях.

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.

Gemini Embedding 001 генерирует векторные представления текстов для задач семантического поиска, RAG, кластеризации, рекомендации и оценки сходства. Модель поддерживает пакетную обработку, поэтому удобно формировать индексы и сравнивать большое количество текстов через единый API.

Она возвращает числовые векторы — массивы с плавающими числами, пригодные для загрузки в векторные БД (Qdrant, pgvector и др.) и для семантического поиска. Формат вывода — стандартный массив чисел, передаваемый через API.

Эмбеддинги ориентированы на представление смысла, а не на развёрнутые цепочки рассуждений. В наших данных не отмечено, что Gemini Embedding 001 выполняет цепочку рассуждений перед выводом; для пошагового объяснения лучше использовать генеративные модели.

Эмбеддинги обычно возвращают массив чисел и передаются через API, поэтому их специализация отличается от моделей с поддержкой вызова функций. В наших данных не отмечено явной информации о function calling; для структурированного JSON лучше выбрать модель с соответствующей поддержкой.

В наших данных не отмечено, что Gemini Embedding 001 принимает изображения, аудио или видео. Эмбеддинги, как правило, формируются по текстовым входам; если вам нужен мультимодальный ввод, уточните возможности через документацию BotHub перед интеграцией.

В наших данных нет явной информации о качестве работы с русским языком у Gemini Embedding 001. Эмбеддинги обычно захватывают смысл в разных языках, но точность зависит от корпуса обучения, поэтому рекомендуется тестировать модель на ваших русскоязычных примерах.

Служба поддержкиРаботаем с 10:00 до 18:00 по МСК