# Gemini Embedding 001

> Преобразует текст в векторные представления для семантического поиска, поиска по документам, сравнения смыслов, классификации и кластеризации.

- **ID для API:** `google/gemini-embedding-001`
- **Тип Модели:** Модель эмбеддингов
- **Контекст:** 20 000 токенов
- **Максимум на ответ:** 18 000 токенов
- **Вход:** текст → **Выход:** эмбеддинги

## Описание

#### Суть
Это текстовая модель эмбеддингов: она преобразует входной текст в числовые векторные представления, пригодные для сравнения и поиска. Модель не генерирует ответы или документы — полученные векторы используют в поисковых и аналитических системах.

#### Сильные стороны
Для разных задач можно задавать тип представления: поиск документов и запросов, семантическое сходство, классификация, кластеризация, поиск кода, ответы на вопросы и проверка фактов. Для поиска запрос и индексируемые документы следует обрабатывать с соответствующими типами задачи. При классификации, кластеризации и сравнении сходства важно придерживаться одинакового режима для сопоставляемых текстов. Размерность выходного вектора можно настраивать, чтобы соотнести качество представления с требованиями к хранению и обработке.

#### Контекст и модальности
По данным каталога, контекст составляет 20 000 токенов. Входная модальность — текст, выход — эмбеддинги. Модель не предназначена для непосредственной обработки изображений, аудио или видео.

#### Типовые сценарии
Подходит для семантического поиска по статьям и документам, извлечения материалов для систем ответов на вопросы, поиска фрагментов кода по текстовому запросу, обнаружения похожих текстов и дубликатов, тематической группировки и классификации. В RAG-системе эмбеддинги документов и запросов можно использовать для поиска релевантного контекста, который затем передаётся отдельной генеративной модели.

#### Ограничения
Результат — вектор, а не готовый ответ или оценка релевантности. Поиск требует отдельного хранилища и алгоритма сравнения векторов; для выдачи ответов понадобится другой компонент. Качество поиска зависит от подготовки текста, выбора типа задачи и согласованной обработки запросов и документов. Вход этой модели текстовый, поэтому мультимодальные данные нужно преобразовать или обрабатывать отдельно.

#### Отличие от соседей по семейству
В отличие от Gemini Embedding 2, который Google описывает как мультимодальную модель эмбеддингов, эта версия ориентирована на текст. Она подходит, когда нужно строить векторный поиск или сравнение именно по текстовым данным, а не объединять в одном пространстве текст, изображения, аудио и видео.

## Цены

- Запрос / 1М: 18,13 ₽

## Провайдеры

Выбрать Провайдера можно параметром `provider` в запросе.

| Провайдер | Цена | Контекст | Макс. ответ | Данные в РФ | 152-ФЗ |
| --- | --- | --- | --- | --- | --- |
| google-ai-studio | Запрос / 1М: 18,13 ₽ | 20 000 | 18 000 | — | — |
| google-vertex/us-central1 | Запрос / 1М: 18,13 ₽ | 20 000 | 18 000 | — | — |

## Быстрый старт

```bash
curl https://polza.ai/api/v1/embeddings \
  -H "Authorization: Bearer $POLZA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "google/gemini-embedding-001",
  "input": [
    "Пример текста для поиска"
  ]
}'
```

## Ссылки

- Страница: https://polza.ai/models/google/gemini-embedding-001
- Каталог: https://polza.ai/models