Google: Gemini Embedding 001

Google: Gemini Embedding 001, Google का एक embedding मॉडल है, जो api14 पर मॉडल आईडी google/gemini-embedding-001 के तहत सूचीबद्ध है। यह embeddings श्रेणी में आता है, और Google ने इसे 31 अक्टूबर 2025 को जारी किया। इसका उद्देश्य टेक्स्ट को वेक्टर प्रतिनिधित्व में बदलना है जिन्हें आप संग्रहीत, तुलना और खोज सकते हैं, न कि चैट प्रतिक्रियाएं उत्पन्न करना।

मॉडल अपने एकमात्र इनपुट के रूप में टेक्स्ट लेता है और अपने एकमात्र आउटपुट के रूप में embeddings लौटाता है। यह 20,000 टोकन की context length का समर्थन करता है, अधिकतम आउटपुट 18,000 के साथ। Google इसे विज्ञान, कानून, वित्त और कोडिंग सहित विभिन्न डोमेन में एक एकीकृत अनुभव प्रदान करने वाला बताता है, और नोट करता है कि इसने Massive Text Embedding Benchmark पर लगातार शीर्ष स्थान बनाए रखा है। यहां कोई चैट शैली का जनरेशन नहीं है, कोई इमेज या ऑडियो इनपुट नहीं है, और कोई टूल कॉलिंग नहीं है, इसलिए इसे विशुद्ध रूप से एक प्रतिनिधित्व मॉडल मानें।

ये क्षमताएं उपयोग के एक परिचित समूह की ओर इशारा करती हैं। Semantic search और retrieval augmented generation स्पष्ट उदाहरण हैं, जहां आप दस्तावेजों और क्वेरीज़ को embed करते हैं और समानता के आधार पर रैंक करते हैं। चूंकि Google विज्ञान, कानून, वित्त और कोडिंग को उन डोमेन के रूप में उजागर करता है जिन्हें यह अच्छी तरह संभालता है, यह तकनीकी पत्रों, अनुबंधों, फाइलिंगों और स्रोत कोड पर खोज या क्लस्टरिंग बनाने के लिए भी उचित है। 20,000 टोकन का context का अर्थ है कि आप एक ही अनुरोध में काफी लंबे अंशों को embed कर सकते हैं, बजाय हर चीज को छोटे हिस्सों में विभाजित करने के, जो तब मदद करता है जब कोई दस्तावेज़ अनुभाग केवल समग्र रूप में ही अर्थ रखता हो। Classification, deduplication, विषय क्लस्टरिंग और सिफारिश शैली की समानता मिलान, सभी एक ही वेक्टर आउटपुट से अनुसरण करते हैं।

आप इसे api14 के OpenAI-संगत API के माध्यम से मॉडल आईडी google/gemini-embedding-001 का उपयोग करके कॉल करते हैं, इसलिए मौजूदा OpenAI क्लाइंट लाइब्रेरीज़ और अनुरोध आकार बिना किसी पुनर्लेखन के काम करते हैं। मॉडल कोई समर्थित पैरामीटर रिपोर्ट नहीं करता है, इसलिए यह अपेक्षा न करें कि temperature, top_p या समान ट्यूनिंग फ़ील्ड जैसे विकल्प पास करने पर वे प्रभावी होंगे। अपना टेक्स्ट इनपुट भेजें और प्रतिक्रिया से embedding वेक्टर पढ़ें।

सीमाओं पर, मुख्य हैं केवल टेक्स्ट इनपुट और 20,000 टोकन का context, इसलिए ऑडियो, इमेज और वीडियो इनपुट दायरे से बाहर हैं। यदि आपका कार्य टेक्स्ट को प्रस्तुत करने के बजाय उत्पन्न या संपादित करना है, तो चैट या completion मॉडल बेहतर विकल्प है, और यदि आपको multimodal embeddings की आवश्यकता है तो आपको कहीं और देखना होगा। context सीमा के भीतर टेक्स्ट समानता, खोज और क्लस्टरिंग कार्य के लिए, यह मॉडल सीधा उपयुक्त है।