Google: Gemini Embedding 2 (batch)

Google: Gemini Embedding 2 (batch) ist ein Embedding-Modell von Google. Es ist auf api14 in der Kategorie embeddings gelistet, und das Veröffentlichungsdatum des Anbieters ist der 2026-05-20. Google beschreibt es als Gemini Embedding 2, das erste multimodale Embedding-Modell des Unternehmens. Statt Chat-Antworten zu generieren, erzeugt es Vektorrepräsentationen, die Sie speichern und vergleichen, was es zu einem Baustein für Such- und Retrieval-Systeme macht, statt zu einem Assistenten, mit dem Sie sprechen.

Das Modell akzeptiert Text-, Bild-, Datei-, Audio- und Videoeingaben, und seine einzige Ausgabemodalität sind Embeddings. Googles Beschreibung besagt, dass derzeit Text und Bilder für die Abbildung in einen einheitlichen Vektorraum für semantische Suche und retrieval-augmented generation (RAG) unterstützt werden, sodass die breitere Eingabeliste das multimodale Design des Modells widerspiegelt, während die dokumentierte Abbildung Text und Bilder abdeckt. Das Kontextfenster beträgt 8192 Token, und die maximale Ausgabe ist 7372. Da die Ausgabe ein Vektor und keine Prosa ist, gibt es keine Textgenerierung zu konfigurieren oder zurückzulesen.

Diese Fähigkeiten deuten auf einige praktische Muster hin. Semantische Suche über einen gemischten Korpus ist das direkteste: Dokumente und Abfragen in denselben Raum einbetten und nach Ähnlichkeit sortieren, sodass eine Textabfrage relevante Bilder aufdecken kann oder umgekehrt. RAG-Pipelines nutzen dieselbe Eigenschaft, indem sie Chunks zum Indexierungszeitpunkt und die Nutzerfrage zum Abfragezeitpunkt einbetten, damit einem Generator die nächstgelegenen Passagen übergeben werden können. Da Dateien, Audio und Video als akzeptierte Eingaben gelistet sind, können Teams, die mit reichhaltigeren Medien arbeiten, diese Inhalte möglicherweise direkt einbetten, statt zuerst einen separaten Transkriptions- oder Beschriftungsschritt zu schreiben, obwohl Googles aktuelle Beschreibung nur Text und Bilder zusichert.

Der Aufruf über api14 funktioniert wie bei jedem anderen Modell auf dem Gateway, unter Verwendung der OpenAI-kompatiblen API mit der Modell-ID "google/gemini-embedding-2:batch". Das Suffix batch zeigt an, dass diese Variante für Batch-Embedding-Arbeit gedacht ist. Die Liste der unterstützten Parameter ist leer, sodass es keine zusätzlichen Anfrageoptionen gibt, die über die Standard-Anfragefelder hinaus festgelegt werden müssen, die der Endpunkt erwartet. Sie senden Ihre Eingabe, erhalten Embeddings zurück und übernehmen Speicherung und Ähnlichkeitsvergleich auf Ihrer Seite.

Die wichtigste Einschränkung, die es abzuwägen gilt, ist das Kontextfenster von 8192 Token. Lange Dokumente müssen vor dem Einbetten in Chunks aufgeteilt werden, was für Retrieval-Arbeit normal ist, aber einen Chunking-Schritt zu Ihrer Pipeline hinzufügt. Wenn Ihre Aufgabe darin besteht, Text zu generieren, statt ihn als Vektoren zu repräsentieren, ist ein Embeddings-Modell das falsche Werkzeug und ein Chat- oder Completion-Modell passt besser. Wenn Ihre Eingaben überwiegend Audio oder Video sind und Sie garantierte Unterstützung statt einer gelisteten Modalität benötigen, verifizieren Sie dieses Verhalten, bevor Sie sich festlegen, da Googles Beschreibung derzeit Text und Bilder nennt.