Gemini Embedding 2 (Preview)
нейросеть
Gemini Embedding 2 Preview — первая мультимодальная эмбеддинг‑модель Google. Она переводит текст и изображения в единое векторное пространство, упрощая семантический поиск, поиск похожих объектов и retrieval‑augmented generation (RAG). Доступна через BotHub для быстрой интеграции без VPN и с оплатой в рублях.
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-preview',
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 (Preview)?
Попробуйте Gemini Embedding 2 Preview на BotHub — настройте семантический поиск и RAG быстро.Частые вопросы о Gemini Embedding 2 (Preview)
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 Preview генерирует числовые эмбеддинги по тексту, документам и изображениям. Подходит для семантического поиска, RAG, кластеризации, рекомендаций и индексирования контента; поддерживает пакетную обработку и большие контексты, удобно интегрируется с векторными БД.
Модель возвращает эмбеддинги в виде числовых векторов, готовых для хранения в векторных БД и поиска по сходству. Формат — массивы чисел через API; пакетная выдача поддерживается, что упрощает массовую обработку документов и изображений.
В наших данных способность «рассуждать перед ответом» не отмечена. Эмбеддинги формируют числовое представление смысла и обычно не содержат пошаговых рассуждений; для явной генерации аргументации и chain-of-thought лучше использовать текстовые генеративные модели.
В наших данных вызов функций и структурированный вывод JSON не отмечены. Модель возвращает числовые векторы; если вам нужен JSON, оборачивайте результаты на клиенте или используйте промежуточный сервис для конвертации в нужную структуру.
Да, модель принимает изображения и документы на вход, что позволяет строить эмбеддинги из визуального и структурированного контента. Поддержка аудио и видео в предоставленных данных не отмечена, поэтому для них потребуется дополнительная обработка или конвертация.
В наших данных нет прямой информации о качестве понимания русского, поэтому точные выводы делать нельзя. Эмбеддинги ориентированы на семантику текста; рекомендуем протестировать модель на ваших русскоязычных примерах, чтобы оценить пригодность для поиска и кластеризации.