Google: Gemini Embedding 2

Google: Gemini Embedding 2 is een embeddingmodel van Google, vermeld op api14 onder het model-id google/gemini-embedding-2. Het valt in de categorie embeddings en wordt door Google beschreven als het eerste multimodale embeddingmodel van het bedrijf. In plaats van chatreacties te genereren, zet het invoer om in vectoren die je kunt opslaan en vergelijken, wat het een bouwsteen maakt voor zoek- en retrievalsystemen in plaats van een assistent waarmee je rechtstreeks praat.

Het model accepteert tekst-, afbeeldings-, bestands-, audio- en video-invoer, en de enige uitvoermodaliteit is embeddings. In de beschrijving van Google staat dat tekst en afbeeldingen momenteel worden ondersteund voor het mappen naar een verenigde vectorruimte voor semantisch zoeken en retrieval-augmented generation (RAG). Het contextvenster is 8192 tokens, en de maximale uitvoer is 7372. Omdat de uitvoer een vector is en geen proza, moet je verwachten dat je het resultaat programmatisch consumeert, bijvoorbeeld door het naar een vectorindex te schrijven, in plaats van het als tekst te lezen.

Die mogelijkheden wijzen op een tamelijk specifieke set toepassingen. Semantisch zoeken over een documentcollectie is de voor de hand liggende: embed je corpus eenmalig, embed de query op het moment van het verzoek, en rangschik op vectorsimilariteit. RAG-pipelines volgen uit hetzelfde idee, waarbij opgehaalde passages worden doorgegeven aan een apart generatiemodel. De multimodale invoerondersteuning betekent dat je ook retrieval kunt bouwen die tekst en afbeeldingen in één vectorruimte mengt, wat past bij catalogi, medialibraries of elke collectie waarbij een query in woorden een relevante afbeelding naar boven moet kunnen halen. Audio- en video-invoer worden vermeld als geaccepteerde modaliteiten, dus het indexeren van die assets is ook mogelijk, hoewel de beschrijving van Google alleen tekst en afbeeldingen noemt als momenteel gemapt naar de verenigde ruimte.

Je roept het model aan via de OpenAI-compatibele API van api14 met het model-id google/gemini-embedding-2. Omdat de interface de OpenAI embeddings-conventie volgt, zouden bestaande clients en SDK's die al naar een OpenAI-compatibele base-URL wijzen met minimale wijzigingen moeten werken. Het model vermeldt geen ondersteunde parameters, dus er is niets extra's af te stemmen in de request body naast de standaard embedding-callvelden zoals het model-id en de input. Als je een bestaande pipeline overzet, controleer dan of je niet leunt op optionele parameters die dit model niet accepteert.

Een praktische overweging is het contextvenster van 8192 tokens. Invoer die langer is, moet vóór het embedden worden opgesplitst, en de chunking-strategie zal de retrievalkwaliteit beïnvloeden, dus plan daarvoor in plaats van aan te nemen dat hele documenten passen. Houd er ook rekening mee dat dit model alleen embeddings produceert. Als je applicatie gegenereerde tekst, samenvattingen of antwoorden nodig heeft, heb je daarnaast een apart chat- of completionmodel nodig, waarbij Gemini Embedding 2 de retrievalkant van de pipeline afhandelt.