Google: Gemini Embedding 2 (batch)

Google: Gemini Embedding 2 (batch) is een embeddingmodel van Google. Het staat op api14 onder de categorie embeddings, en de releasedatum bij de provider is 2026-05-20. Google beschrijft het als Gemini Embedding 2, het eerste multimodale embeddingmodel van het bedrijf. In plaats van chatantwoorden te genereren, produceert het vectorrepresentaties die je opslaat en vergelijkt, waardoor het een bouwsteen is voor zoek- en retrievalsystemen in plaats van een assistent waarmee je 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), dus de bredere invoerlijst weerspiegelt het multimodale ontwerp van het model, terwijl de gedocumenteerde mapping tekst en afbeeldingen omvat. Het contextvenster is 8192 tokens, en de maximale uitvoer is 7372. Omdat de uitvoer een vector is in plaats van proza, is er geen tekstgeneratie om te configureren of terug te lezen.

Die mogelijkheden wijzen op een paar praktische patronen. Semantisch zoeken over een gemengd corpus is het meest directe: embed documenten en queries in dezelfde ruimte en rangschik op similariteit, zodat een tekstquery relevante afbeeldingen kan opleveren of andersom. RAG-pipelines gebruiken dezelfde eigenschap, waarbij chunks tijdens het indexeren worden ge-embed en de gebruikersvraag tijdens het opvragen, zodat een generator de dichtstbijzijnde passages krijgt. Omdat bestanden, audio en video als geaccepteerde invoer worden vermeld, kunnen teams die met rijkere media werken die content mogelijk direct embedden in plaats van eerst een aparte transcriptie- of captioningstap te schrijven, hoewel de huidige beschrijving van Google alleen tekst en afbeeldingen toezegt.

Het aanroepen via api14 werkt zoals bij elk ander model op de gateway, met de OpenAI-compatibele API met het model-id "google/gemini-embedding-2:batch". Het achtervoegsel batch geeft aan dat deze variant bedoeld is voor batch-embeddingwerk. De lijst met ondersteunde parameters is leeg, dus er zijn geen extra aanvraagopties in te stellen naast de standaard aanvraagvelden die het endpoint verwacht. Je stuurt je invoer, ontvangt embeddings terug, en regelt opslag en similariteitsvergelijking aan jouw kant.

De belangrijkste beperking om af te wegen is het contextvenster van 8192 tokens. Lange documenten moeten in chunks worden opgesplitst voordat ze worden ge-embed, wat normaal is voor retrievalwerk, maar een chunkingstap aan je pipeline toevoegt. Als je taak het genereren van tekst is in plaats van het representeren ervan als vectoren, is een embeddingsmodel het verkeerde hulpmiddel en past een chat- of completionmodel beter. Als je invoer vooral audio of video is en je gegarandeerde ondersteuning nodig hebt in plaats van een vermelde modaliteit, verifieer dat gedrag dan voordat je je vastlegt, aangezien de beschrijving van Google momenteel tekst en afbeeldingen noemt.