Google: Gemini Embedding 2

Google: Gemini Embedding 2 ist ein Embedding-Modell von Google, das auf api14 unter der Modell-ID google/gemini-embedding-2 gelistet ist. Es gehört zur Kategorie Embeddings und wird von Google als das erste multimodale Embedding-Modell des Unternehmens beschrieben. Statt Chat-Antworten zu generieren, wandelt es Eingaben in Vektoren um, die Sie speichern und vergleichen können, was es zu einem Baustein für Such- und Retrieval-Systeme macht, statt zu einem Assistenten, mit dem Sie direkt sprechen.

Das Modell akzeptiert Text-, Bild-, Datei-, Audio- und Video-Eingaben, und seine einzige Ausgabemodalität sind Embeddings. Googles Beschreibung weist darauf hin, dass derzeit Text und Bilder unterstützt werden, um sie für semantische Suche und Retrieval-Augmented Generation (RAG) in einen einheitlichen Vektorraum abzubilden. Das Kontextfenster beträgt 8192 Token, und die maximale Ausgabe liegt bei 7372. Da die Ausgabe ein Vektor und kein Fließtext ist, sollten Sie davon ausgehen, das Ergebnis programmatisch zu verwenden, zum Beispiel indem Sie es in einen Vektorindex schreiben, statt es als Text zu lesen.

Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Anwendungsfällen hin. Die semantische Suche über eine Dokumentensammlung ist der offensichtliche: Betten Sie Ihr Korpus einmal ein, betten Sie die Anfrage zur Anfragezeit ein, und ordnen Sie nach Vektorähnlichkeit. RAG-Pipelines folgen derselben Idee, wobei abgerufene Passagen an ein separates Generierungsmodell übergeben werden. Die multimodale Eingabeunterstützung bedeutet, dass Sie auch ein Retrieval aufbauen können, das Text und Bilder in einem Vektorraum mischt, was zu Katalogen, Medienbibliotheken oder jeder Sammlung passt, in der eine Anfrage in Worten ein relevantes Bild hervorbringen können sollte. Audio- und Video-Eingaben sind als akzeptierte Modalitäten aufgeführt, sodass auch die Indexierung dieser Assets möglich ist, obwohl Googles Beschreibung nur Text und Bilder als derzeit in den einheitlichen Raum abgebildet hervorhebt.

Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID google/gemini-embedding-2 auf. Da die Schnittstelle der OpenAI-Embeddings-Konvention folgt, sollten vorhandene Clients und SDKs, die bereits auf eine OpenAI-kompatible Basis-URL zeigen, mit minimalen Änderungen funktionieren. Das Modell listet keine unterstützten Parameter auf, es gibt also nichts Zusätzliches im Request-Body anzupassen, abgesehen von den Standardfeldern eines Embedding-Aufrufs wie der Modell-ID und der Eingabe. Wenn Sie eine bestehende Pipeline portieren, prüfen Sie, ob Sie sich nicht auf optionale Parameter verlassen, die dieses Modell nicht akzeptiert.

Ein praktischer Aspekt ist das Kontextfenster von 8192 Token. Längere Eingaben müssen vor dem Embedding aufgeteilt werden, und die Chunking-Strategie wirkt sich auf die Retrieval-Qualität aus, planen Sie also damit, statt anzunehmen, dass ganze Dokumente hineinpassen. Beachten Sie außerdem, dass dieses Modell nur Embeddings erzeugt. Wenn Ihre Anwendung generierten Text, Zusammenfassungen oder Antworten benötigt, brauchen Sie daneben ein separates Chat- oder Completion-Modell, wobei Gemini Embedding 2 die Retrieval-Seite der Pipeline übernimmt.