Google: Gemini Embedding 001

Google : Gemini Embedding 001 est un modèle d'embedding de Google, listé sur api14 sous l'identifiant de modèle google/gemini-embedding-001. Il appartient à la catégorie embeddings, et Google l'a publié le 31 octobre 2025. Son objectif est de transformer du texte en représentations vectorielles que vous pouvez stocker, comparer et interroger, plutôt que de générer des réponses de chat.

Le modèle prend du texte comme seule entrée et renvoie des embeddings comme seule sortie. Il prend en charge une longueur de contexte de 20 000 tokens, avec une sortie maximale de 18 000. Google le décrit comme offrant une expérience unifiée à travers les domaines, notamment la science, le juridique, la finance et le code, et note qu'il a constamment occupé une place de premier plan sur le Massive Text Embedding Benchmark. Il n'y a ici aucune génération de style chat, aucune entrée d'image ou d'audio, et aucun appel d'outil, donc considérez-le purement comme un modèle de représentation.

Ces capacités renvoient à un ensemble familier de cas d'usage. La recherche sémantique et la génération augmentée par récupération sont les plus évidentes, où vous intégrez des documents et des requêtes et classez par similarité. Comme Google cite la science, le juridique, la finance et le code parmi les domaines qu'il traite bien, il convient aussi raisonnablement pour construire une recherche ou un clustering sur des articles techniques, des contrats, des dépôts réglementaires et du code source. Le contexte de 20 000 tokens signifie que vous pouvez intégrer des passages assez longs en une seule requête au lieu de tout découper en petits morceaux, ce qui aide lorsqu'une section de document n'a de sens que dans son ensemble. La classification, la déduplication, le clustering thématique et la correspondance de similarité de type recommandation découlent tous de la même sortie vectorielle.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle google/gemini-embedding-001, donc les bibliothèques clientes OpenAI existantes et les formes de requête fonctionnent sans réécriture. Le modèle ne signale aucun paramètre pris en charge, donc ne vous attendez pas à passer des options telles que temperature, top_p ou des champs de réglage similaires et à ce qu'elles prennent effet. Envoyez votre entrée texte et lisez le vecteur d'embedding dans la réponse.

Concernant les limites, les principales sont l'entrée texte uniquement et le contexte de 20 000 tokens, donc les entrées audio, image et vidéo sont hors périmètre. Si votre tâche consiste à générer ou modifier du texte plutôt qu'à le représenter, un modèle de chat ou de complétion est le meilleur choix, et si vous avez besoin d'embeddings multimodaux, vous devrez chercher ailleurs. Pour les travaux de similarité de texte, de recherche et de clustering dans la limite de contexte, ce modèle est la solution directe.