Google : Gemini Embedding 2 est un modèle d'embedding de Google, répertorié sous l'identifiant de modèle google/gemini-embedding-2. Perplexity : Embed V1 4B est un modèle d'embedding de Perplexity, répertorié sous l'identifiant de modèle perplexity/pplx-embed-v1-4b. Les deux appartiennent à la catégorie embeddings, ce qui signifie que les deux prennent une entrée et renvoient des embeddings plutôt que du texte généré, et que tous deux n'exposent aucun paramètre pris en charge, donc vous les appelez avec votre entrée et récupérez le vecteur en retour.
La différence la plus nette se situe au niveau de la fenêtre de contexte et des modalités d'entrée. Gemini Embedding 2 accepte le texte, l'image, le fichier, l'audio et la vidéo en entrée, et sa longueur de contexte est de 8192 tokens. Embed V1 4B accepte uniquement le texte, mais sa longueur de contexte est de 32000 tokens, il prend donc sensiblement plus de texte en un seul appel. Aucun des deux modèles ne diffère de manière significative sur l'utilisation d'outils, la sortie structurée ou le raisonnement, puisque les deux sont des modèles d'embedding et que ces champs ne s'appliquent pas ici. En bref, Gemini Embedding 2 est celui vers lequel se tourner lorsque votre entrée n'est pas du texte brut, tandis qu'Embed V1 4B est celui vers lequel se tourner lorsque votre entrée est un long document texte.
Pour le travail pratique, le choix suit généralement vos données plutôt que vos préférences. Si vous générez des embeddings de captures d'écran, de pages scannées, de clips audio, d'images vidéo ou de médias mixtes en plus du texte, Gemini Embedding 2 est le seul des deux à accepter ces entrées. Si vous générez des embeddings de longs passages de texte, de documentation, de transcriptions ou d'articles entiers et que vous voulez faire tenir davantage de chaque élément dans un seul appel, Embed V1 4B vous offre la fenêtre de contexte plus grande. Embed V1 4B est aussi le moins cher des deux en entrée, donc les charges de travail à forte composante texte et à volume élevé penchent aussi de son côté en termes de coût.
Appeler l'un ou l'autre modèle via api14 fonctionne de la même manière, car l'API est compatible OpenAI. Vous pointez votre client OpenAI existant vers api14, envoyez une requête au point de terminaison embeddings, et définissez le champ model sur google/gemini-embedding-2 ou perplexity/pplx-embed-v1-4b. La forme de la requête, la forme de la réponse et votre code environnant restent identiques, seul l'identifiant de modèle change. Cela signifie que vous pouvez construire un seul pipeline, tester les deux modèles sur vos propres données, et passer de l'un à l'autre en modifiant une seule valeur.
Il reste des cas où l'autre modèle l'emporte. Si votre corpus est uniquement textuel et que les éléments sont longs, Embed V1 4B est le meilleur choix même si Gemini Embedding 2 gère davantage de types d'entrée, car les modalités supplémentaires ne vous apportent rien sur du texte brut et la fenêtre de contexte plus grande, si. À l'inverse, si une tâche purement textuelle tient confortablement dans 8192 tokens et que vous avez déjà Gemini Embedding 2 configuré pour d'autres médias, il n'y a pas de raison impérieuse de scinder votre stack. Faites correspondre le modèle à l'entrée que vous avez réellement.