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.
Характеристики
- Входные данные
- текст, документы
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 65 536 токенов
- Возможности
- Batch API
Стоимость промпта
(за 1M токенов)
Картинка-промт
(за 1K токенов)
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();
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.