Google: Gemini Embedding 2 contra Google: Gemini Embedding 2 Preview
Una comparativa lado a lado de Google: Gemini Embedding 2 (0,70 US$ / 1M fragmentos (≈ 0,62 €)) y Google: Gemini Embedding 2 Preview (0,70 US$ / 1M fragmentos (≈ 0,62 €)) con precios actuales en USD y capacidades del catálogo de api14. Ambos funcionan a través de la misma API compatible con OpenAI.
Especificaciones
| Google: Gemini Embedding 2 | Google: Gemini Embedding 2 Preview | |
|---|---|---|
| Proveedor | ||
| Entrada | 0,70 US$ / 1M fragmentos (≈ 0,62 €) | 0,70 US$ / 1M fragmentos (≈ 0,62 €) |
| Entrada de audio | 22,75 US$ / 1M fragmentos (≈ 20,26 €) | 22,75 US$ / 1M fragmentos (≈ 20,26 €) |
| Imagen | 0,000002 US$ / imagen (≈ 0,0000014 €) | 0,000002 US$ / imagen (≈ 0,0000014 €) |
| Ventana de contexto | 8192 | 8192 |
| Salida máxima | 7372 | 7372 |
| Entrada | text, image, file, audio, video | text, image, file, audio, video |
| Salida | embeddings | embeddings |
| Llamadas a herramientas | ||
| Salida estructurada | ||
| Control del razonamiento | ||
| Añadido | 20 may 2026 | 17 abr 2026 |
Diferencias clave
- Ambos tienen aproximadamente el mismo precio de entrada.
En detalle
Google: Gemini Embedding 2 y Google: Gemini Embedding 2 Preview son modelos de embedding de Google, ofrecidos en api14 dentro de la categoría embeddings. Comparten el mismo nombre de familia de modelos y el mismo proveedor, y ambos reciben entrada y devuelven embeddings como salida. Lo principal que los separa sobre el papel es el momento: el modelo preview tiene una fecha de lanzamiento del proveedor del 2026-04-17, mientras que el modelo no preview está fechado el 2026-05-20. Ese orden sugiere que el preview llegó primero y el modelo estándar después, que es el patrón habitual cuando un preview se promueve a un nombre estable.
En términos de capacidades, los dos modelos son efectivamente idénticos en los datos disponibles. Ambos aceptan texto, imagen, archivo, audio y video como modalidades de entrada, y ambos devuelven únicamente embeddings. Ambos tienen una longitud de contexto de 8192 tokens. Ninguno lista parámetros soportados, y la comparación cualitativa marca la entrada más barata como empate, con los otros campos (salida más barata, contexto más grande, herramientas, salida estructurada, razonamiento) ya sea nulos o sin diferencias significativas. Así que no hay diferencia de capacidad, modalidad o ventana de contexto que sopesar aquí. La elección no se reduce a que un modelo haga algo que el otro no puede.
Para la selección práctica, trátalos como intercambiables para trabajo de embedding en texto, imágenes, archivos, audio y video dentro de la ventana de 8192 tokens. Si estás construyendo un pipeline de recuperación, un índice de búsqueda semántica, un trabajo de clustering o una función de recomendación, cualquiera de los dos ids de modelo servirá. Como el precio de entrada es aproximadamente el mismo, el costo tampoco es un desempate fuerte. El valor predeterminado sensato para producción es el modelo no preview, ya que una etiqueta preview normalmente indica que el comportamiento aún puede cambiar, mientras que el nombre estándar implica un objetivo más asentado. Usa el preview si tienes un pipeline existente fijado a él o si estás reproduciendo resultados de una integración anterior.
Llamar a cualquiera de los dos modelos a través de api14 funciona de la misma manera porque la API es compatible con OpenAI. Envías tu solicitud de embedding al endpoint de embeddings con tu clave de api14, y el único cambio entre los dos es la cadena del id de modelo: "google/gemini-embedding-2" para el modelo estándar o "google/gemini-embedding-2-preview" para el preview. La forma de la solicitud, el payload de entrada y el formato de respuesta permanecen iguales, así que cambiar es una edición de una línea en tu configuración en lugar de reescribir el código de tu cliente.
No hay ninguna tarea en los datos proporcionados donde el preview sea claramente la mejor opción sobre el modelo estándar, ya que coinciden en modalidades, contexto y precios. La única razón para quedarse en el preview es la continuidad: si tu aplicación ya hace referencia a "google/gemini-embedding-2-preview" y quieres evitar cambiar embeddings almacenados o reindexar, mantener ese id es razonable. Para trabajo nuevo, el modelo estándar es la opción más natural dada su fecha de lanzamiento posterior y su estado no preview.
Cambia con una sola cadena
Ambos modelos usan el mismo endpoint y la misma estructura de solicitud. Cambia el valor de model de "google/gemini-embedding-2" a "google/gemini-embedding-2-preview": los prompts, el streaming y las herramientas siguen funcionando.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.embeddings.create({
"model": "google/gemini-embedding-2-preview",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
Más comparativas
- Amazon: Titan Multimodal Embeddings G1 contra Amazon: Titan Embeddings G1 - Text
- Amazon: Titan Multimodal Embeddings G1 contra Amazon: Titan Text Embeddings V2
- Amazon: Titan Multimodal Embeddings G1 contra Cohere: Embed 5 Fast
- Amazon: Titan Multimodal Embeddings G1 contra Cohere: Embed 5 Pro
- Amazon: Titan Embeddings G1 - Text contra Amazon: Titan Text Embeddings V2
- Amazon: Titan Embeddings G1 - Text contra Cohere: Embed 5 Fast
- Amazon: Titan Embeddings G1 - Text contra Cohere: Embed 5 Pro
- Amazon: Titan Text Embeddings V2 contra Cohere: Embed 5 Fast