Vi använder cookies. Cookies och webbläsarlagring håller dig inloggad och kommer ihåg dina preferenser. Med ditt tillstånd mäter vi också hur webbplatsen används. Du kan när som helst. Läs vår cookiepolicy.

Ny här? Se hur det fungerar En rundtur på 1 minut genom testmiljö, modeller och din API-nyckel.

Gemini Embedding 2 vs Embed V1 4B: API-pris, kontext och funktioner · api14

Google: Gemini Embedding 2 mot Perplexity: Embed V1 4B

En jämförelse sida vid sida av Google: Gemini Embedding 2 (0,70 US$ / 1M textdelar (≈ 6,86 kr)) och Perplexity: Embed V1 4B (0,11 US$ / 1M textdelar (≈ 1,03 kr)) med aktuella USD-priser och funktioner från api14-katalogen. Båda körs via samma OpenAI-kompatibla API.

Specifikationer

	Google: Gemini Embedding 2	Perplexity: Embed V1 4B
Leverantör	Google	Perplexity
Indata	0,70 US$ / 1M textdelar (≈ 6,86 kr)	0,11 US$ / 1M textdelar (≈ 1,03 kr)
Ljudindata	22,75 US$ / 1M textdelar (≈ 222,87 kr)	-
Bild	0,000002 US$ / bild (≈ 0,0000154 kr)	-
Kontextfönster	8 192	32 000
Max utdata	7 372	28 800
Indata	text, image, file, audio, video	text
Utdata	embeddings	embeddings
Verktygsanrop
Strukturerad utdata
Styrning av resonemang
Tillagd	20 maj 2026	16 mars 2026

Viktiga skillnader

Perplexity: Embed V1 4B är 85% billigare på indata-tokens.
Perplexity: Embed V1 4B läser 3.9× mer kontext (32 000 tokens).

Mer i detalj

Google: Gemini Embedding 2 är en embedding-modell från Google, listad under modell-id google/gemini-embedding-2. Perplexity: Embed V1 4B är en embedding-modell från Perplexity, listad under modell-id perplexity/pplx-embed-v1-4b. Båda tillhör kategorin embeddings, vilket innebär att båda tar emot indata och returnerar embeddings i stället för genererad text, och båda exponerar inga parametrar som stöds, så du anropar dem med dina indata och läser tillbaka vektorn.

Den tydligaste skillnaden ligger i kontextfönster och indatamodaliteter. Gemini Embedding 2 accepterar text, bild, fil, ljud och video som indata, och dess kontextlängd är 8192 tokens. Embed V1 4B accepterar endast text, men dess kontextlängd är 32000 tokens, så den tar emot märkbart mer text i ett enda anrop. Ingen av modellerna skiljer sig nämnvärt åt när det gäller verktygsanvändning, strukturerad utdata eller resonemang, eftersom båda är embedding-modeller och dessa fält inte är tillämpliga här. Kort sagt, Gemini Embedding 2 är den du bör välja när dina indata inte är ren text, medan Embed V1 4B är den du bör välja när dina indata är ett långt textdokument.

I praktiskt arbete följer valet vanligtvis dina data snarare än dina preferenser. Om du skapar embeddings av skärmbilder, skannade sidor, ljudklipp, videorutor eller blandade medier tillsammans med text, är Gemini Embedding 2 den enda av de två som överhuvudtaget accepterar dessa indata. Om du skapar embeddings av långa textavsnitt, dokumentation, transkript eller hela artiklar och vill få plats med mer av varje objekt i ett anrop, ger Embed V1 4B dig det större kontextfönstret. Embed V1 4B är också den billigare av de två på indata, så texttunga arbetsbelastningar i volym lutar också mot den när det gäller kostnad.

Att anropa endera modellen via api14 fungerar på samma sätt, eftersom API:et är OpenAI-kompatibelt. Du pekar din befintliga OpenAI-klient mot api14, skickar en förfrågan till embeddings-endpointen och ställer in modellfältet till google/gemini-embedding-2 eller perplexity/pplx-embed-v1-4b. Förfrågans form, svarets form och din omgivande kod förblir densamma, bara modell-id-strängen ändras. Det innebär att du kan bygga en pipeline, testa båda modellerna mot dina egna data och växla mellan dem genom att ändra ett enda värde.

Det finns fortfarande fall där den andra modellen vinner. Om din korpus endast består av text och objekten är långa, är Embed V1 4B det bättre valet även om Gemini Embedding 2 hanterar fler indatatyper, eftersom de extra modaliteterna inte ger dig något på ren text medan det större kontextfönstret gör det. Omvänt, om ett textbaserat jobb ryms bekvämt inom 8192 tokens och du redan har Gemini Embedding 2 uppkopplad för andra medier, finns det ingen stark anledning att dela upp din stack. Matcha modellen mot de indata du faktiskt har.

Byt med en sträng

Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "google/gemini-embedding-2" till "perplexity/pplx-embed-v1-4b", promptar, streaming och verktyg fortsätter att fungera.

Google: Gemini Embedding 2: detaljer och testmiljö →Perplexity: Embed V1 4B: detaljer och testmiljö →

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": "perplexity/pplx-embed-v1-4b",
  "input": [
    "The quick brown fox",
    "Lorem ipsum"
  ]
});
console.log(result.data.map((d) => d.embedding.length));

Google: Gemini Embedding 2 mot Perplexity: Embed V1 4B

Specifikationer

Viktiga skillnader

Mer i detalj

Byt med en sträng

Fler jämförelser