Nous utilisons des cookies. Les cookies et le stockage du navigateur vous gardent connecté et mémorisent vos préférences. Avec votre accord, nous mesurons aussi l’utilisation du site. Vous pouvez à tout moment. Consultez notre politique relative aux cookies.
google/gemini-embedding-001:batchUtilise votre solde aux prix indiqués ci-dessus. Les nouveaux comptes démarrent avec une consommation gratuite.
Paramètres
Google : Gemini Embedding 001 (batch) est un modèle d'embedding de Google, proposé ici dans une variante batch. Il appartient à la catégorie des embeddings, son rôle est donc de transformer du texte en représentations vectorielles plutôt que de générer de la prose ou des réponses de chat. Il a été publié par le fournisseur le 2025-10-31.
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, et sa sortie maximale est de 18 000. Aucun paramètre supplémentaire pris en charge n'est disponible pour configurer les requêtes. Comme la modalité d'entrée est uniquement du texte, le modèle n'accepte pas les images, l'audio ou d'autres médias, et comme la sortie est un vecteur, vous ne devez pas vous attendre à recevoir du texte généré en retour d'un appel.
Les usages pratiques découlent directement de ces caractéristiques. Les embeddings sont la brique de base de la recherche sémantique, où vous indexez des documents et récupérez les passages les plus proches en sens d'une requête. Ils prennent en charge la génération augmentée par récupération, où les segments pertinents sont récupérés et transmis à un modèle de langage distinct qui rédige la réponse. Ils fonctionnent aussi pour le clustering et la découverte de thèmes sur de grandes collections de textes, la déduplication et la détection de quasi doublons, la classification lorsque vous entraînez un classifieur léger sur les vecteurs, et la recommandation ou la correspondance de similarité entre éléments. Le contexte de 20 000 tokens signifie qu'une seule requête peut couvrir un document assez long, vous pouvez donc encoder des sections entières plutôt que de tout découper en petits fragments, même s'il faut encore réfléchir à la manière de découper le texte si vos documents dépassent cette longueur.
Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "google/gemini-embedding-001:batch". Comme l'interface suit le format d'embeddings d'OpenAI, vous envoyez votre texte dans le champ input d'une requête d'embeddings et lisez les vecteurs dans la réponse. Le modèle ne liste aucun paramètre pris en charge, il n'y a donc rien de plus à ajuster sur la requête en dehors de l'identifiant de modèle et de l'entrée elle-même.
Si votre tâche est la génération de texte, le résumé, la traduction ou toute sortie conversationnelle, un modèle d'embedding n'est pas l'outil approprié et un modèle de génération de texte conviendra mieux. Dans le cadre du travail d'embedding, gardez à l'esprit le contexte de 20 000 tokens et l'entrée uniquement textuelle lorsque vous préparez vos données.
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-001:batch",
"input": [
"The quick brown fox",
"Lorem ipsum"
]
});
console.log(result.data.map((d) => d.embedding.length));
Cette communauté n’a encore aucun sujet. Ouvrez le premier sur Google: Gemini Embedding 001 (batch).