Gemini Embedding 2 (мультимодальный)

нейросеть

Gemini Embedding 2 — мультимодальная embedding‑модель от Google, которая отображает текст и изображения в единое векторное пространство. Идеальна для семантического поиска, поиска по изображениям, кластеризации и retrieval‑augmented generation (RAG). Доступна через личный кабинет BotHub для быстрой интеграции и масштабируемого векторного поиска.

Главная

/

Модели

/

Модели эмбеддингов

/

Gemini Embedding 2 (мультимодальный)

Характеристики

Входные данные
текст, документы
Результат
векторы (эмбеддинги)
Размер контекста
65 536 токенов
Возможности
Batch API
21,71 ₽

Стоимость промпта

(за 1M токенов)

< 0.01 ₽

Картинка-промт

(за 1K токенов)

*Указаны цены при использовании API через ECO-провайдеров.
Пример кода и API для Gemini Embedding 2 (мультимодальный)Мы 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-2',
    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 2 (мультимодальный)?

Подключите Gemini Embedding 2 на BotHub для семантического поиска и RAG.

Частые вопросы о Gemini Embedding 2 (мультимодальный)

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 2 генерирует векторные представления для текстов, документов и изображений. Подходит для семантического поиска, поиска по похожести, RAG, кластеризации, дедупликации и рекомендательных систем. Поддерживает пакетную обработку и интеграцию в векторные базы данных через API.

Модель выдаёт эмбеддинги — числовые векторные представления, удобные для хранения в векторных БД и сравнения сходства. Конкретная размерность в открытых данных не указана; результат пригоден для семантического поиска, поиска по близости и встраивания в RAG-пайплайны.

В наших данных не отмечено, что модель выполняет явные рассуждения перед выводом. Эмбеддинги обычно отражают семантику входа без генерации цепочек мыслей. Для задач с явными рассуждениями лучше комбинировать эмбеддинги с текстовыми моделями.

В наших данных не отмечено поддержания function calling или структурированного JSON-вывода. Gemini Embedding 2 возвращает эмбеддинги; если вам нужен структурированный JSON или вызов функций, формируйте и обрабатывайте эти структуры на стороне приложения после получения векторов.

Модель принимает текст, документы и изображения, что позволяет получать эмбеддинги из текстового и визуального контента. Поддержка аудио и видео в наших данных не отмечена; для них потребуется предварительная конвертация в поддерживаемый формат или отдельная мультимодальная обработка.

В открытых данных нет прямой информации о качестве понимания русского языка. Эмбеддинги отражают семантическую близость, но точность зависит от данных и задач. Рекомендуем тестировать модель на ваших примерах и сравнивать с другими моделями через BotHub.

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