Google: Gemini Embedding 2 Preview

Google: Gemini Embedding 2 Preview to model embeddingowy od Google, opublikowany pod identyfikatorem modelu google/gemini-embedding-2-preview. Należy do kategorii embeddings i jest opisywany przez Google jako jego pierwszy multimodalny model embeddingowy. To wydanie w wersji preview, co warto zauważyć, jeśli planujesz opierać na nim działanie w środowisku produkcyjnym.

Model przyjmuje jako dane wejściowe tekst, obraz, plik, dźwięk i wideo, a jako jedyne dane wyjściowe generuje embeddingi. Jego długość kontekstu wynosi 8192 tokeny, a maksymalne dane wyjściowe to 7372. Opis Google stwierdza, że tekst i obrazy są obecnie obsługiwane w zakresie mapowania do ujednoliconej przestrzeni wektorowej, co jest tą częścią listy multimodalnych danych wejściowych, która jest dziś wyraźnie pokryta.

Ta kombinacja wskazuje na wyszukiwanie semantyczne i generowanie wspomagane wyszukiwaniem, dwa zastosowania wymieniane przez Google w jego opisie. Możesz tworzyć embeddingi dokumentów i zapytań, aby magazyn wektorów mógł wyszukiwać fragmenty według znaczenia, a nie według słów kluczowych, a także przekazywać wyszukane fragmenty do modelu generatywnego, aby ugruntować jego odpowiedzi. Ponieważ obrazy można mapować do tej samej przestrzeni wektorowej co tekst, wynika z tego również wyszukiwanie międzymodalne: indeksowanie obrazów obok tekstu i przeszukiwanie obu za pomocą jednego zapytania. Szersza lista danych wejściowych (plik, dźwięk, wideo) sugeruje, dokąd zmierza model, ale deklarowane wsparcie dotyczy tekstu i obrazów, więc na razie traktuj je jako niezawodne dane wejściowe.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu google/gemini-embedding-2-preview, w taki sam sposób, w jaki wywołałbyś dowolny inny endpoint embeddingów, więc istniejące biblioteki klienckie OpenAI i ścieżki kodu działają bez zmian. Model nie wymienia żadnych obsługiwanych parametrów poza podstawowymi elementami żądania, więc utrzymuj wywołania proste i unikaj zakładania opcji dostrajania, które nie są udokumentowane.

Dwie praktyczne kwestie. Kontekst 8192 tokenów ogranicza ilość tekstu, którą można poddać embeddingowi w jednym wywołaniu, więc długie dokumenty wymagają podziału na fragmenty przed utworzeniem embeddingu. A ponieważ jest to model preview, jeśli potrzebujesz stabilnego, długoterminowego celu embeddingowego, bezpieczniejszym wyborem może być model embeddingowy niebędący wersją preview.