Google: Gemini Embedding 2 (batch)

Google: Gemini Embedding 2 (batch) är en inbäddningsmodell från Google. Den är listad på api14 under kategorin embeddings, och dess leverantörens utgivningsdatum är 2026-05-20. Google beskriver den som Gemini Embedding 2, företagets första multimodala inbäddningsmodell. I stället för att generera chattssvar producerar den vektorrepresentationer som du lagrar och jämför, vilket gör den till en byggsten för sök- och hämtningssystem snarare än en assistent du pratar med.

Modellen tar emot text-, bild-, fil-, ljud- och videoindata, och dess enda utdatamodalitet är embeddings. Googles beskrivning anger att text och bilder för närvarande stöds för mappning till ett enhetligt vektorrum för semantisk sökning och retrieval-augmented generation (RAG), så den bredare indatalistan återspeglar modellens multimodala design medan den dokumenterade mappningen täcker text och bilder. Kontextfönstret är 8192 tokens, och den maximala utdatan är 7372. Eftersom utdatan är en vektor snarare än prosa finns det ingen textgenerering att konfigurera eller läsa tillbaka.

Dessa förmågor pekar mot några praktiska mönster. Semantisk sökning över ett blandat korpus är det mest direkta: bädda in dokument och frågor i samma rum och rangordna efter likhet, så att en textfråga kan lyfta fram relevanta bilder eller vice versa. RAG-pipelines använder samma egenskap, genom att bädda in delar vid indextidpunkten och användarens fråga vid frågetidpunkten så att en generator kan tilldelas de närmaste avsnitten. Eftersom filer, ljud och video listas som accepterade indata kan team som arbetar med rikare media kunna bädda in det innehållet direkt i stället för att först skriva ett separat transkriberings- eller bildtextsteg, även om Googles nuvarande beskrivning bara garanterar text och bilder.

Att anropa den via api14 fungerar som vilken annan modell som helst på gatewayen, med hjälp av det OpenAI-kompatibla API:et med modell-id:t "google/gemini-embedding-2:batch". Suffixet batch indikerar att denna variant är avsedd för batchinbäddningsarbete. Listan över parametrar som stöds är tom, så det finns inga extra begäransalternativ att ställa in utöver de standardfält för begäran som slutpunkten förväntar sig. Du skickar din indata, får embeddings tillbaka och hanterar lagring och likhetsjämförelse på din sida.

Den främsta begränsningen att väga in är kontextfönstret på 8192 tokens. Långa dokument behöver delas upp i bitar före inbäddning, vilket är normalt för hämtningsarbete men lägger till ett uppdelningssteg i din pipeline. Om din uppgift är att generera text snarare än att representera den som vektorer är en inbäddningsmodell fel verktyg och en chatt- eller kompletteringsmodell passar bättre. Om dina indata mestadels är ljud eller video och du behöver garanterat stöd snarare än en listad modalitet, verifiera detta beteende innan du binder dig, eftersom Googles beskrivning för närvarande namnger text och bilder.