gemini-embedding-2
gemini-embedding-2-previewGoogle 的向量模型，用于将输入内容转换为数值向量，支持语义检索和相似度计算。
- 起始價格
- 輸入 / 輸出 · 1M
- 上下文
- 8.2K
- 最大輸入窗口
- 模態
- →
- 發佈於
- Apr 2026
Pricing by Supplier
能力 / 支援的模態
廠商與數據私隱
效能
About gemini-embedding-2
Google 的向量模型，用于将输入内容转换为数值向量，支持语义检索和相似度计算。
Use cases and prompting
Starting points for evaluation; supported inputs and options are listed in API access.
Use cases to explore
- Evaluate semantic search with representative queries and documents.
- Compare retrieval quality on your own knowledge base before connecting a downstream assistant.
Practical tips
Check whether the endpoint returns embeddings or reranks documents. Keep indexing and query preprocessing consistent.
API access
呼叫示例
/v1beta/models/gemini-embedding-2:generateContent| 參數 | 類型 | 預設值 / 範圍 | 說明資訊 |
|---|---|---|---|
input必填 | string | — | 需要向量化的文字或文字陣列 |
dimensions | integer | >= 1 | 將向量截斷到指定維度 |
encoding_format | enum | = float | 向量傳輸的編碼格式 |
user | string | — | 用於風險審計的終端用戶標識 |
替換 <YOUR_API_KEY> 替換為令牌設定中的 API Key。
身份驗證
所有請求必須攜帶 Authorization: Bearer <TOKEN> 請求頭。Anthropic 格式的端點也接受 x-api-key 請求頭。
在「令牌」頁面生成 API Key，可以按模型、分組、IP、速率等維度精細化授權。
支援的參數
| 參數 | 類型 | 預設值 / 範圍 | 說明資訊 |
|---|---|---|---|
input必填 | string | — | 需要向量化的文字或文字陣列 |
dimensions | integer | >= 1 | 將向量截斷到指定維度 |
encoding_format | enum | = float | 向量傳輸的編碼格式 |
user | string | — | 用於風險審計的終端用戶標識 |
速率限制
| 供應商 | RPM | TPM | RPD |
|---|---|---|---|
| default | 3.1K | 626K | 63K |
| Google AI Studio | 4.4K | 875K | 88K |
| Google Vertex | 9.1K | 1.8M | 181K |
RPM = 每分鐘請求數，TPM = 每分鐘 token 數，RPD = 每日請求數。限制按令牌分組生效。
Frequently asked questions about gemini-embedding-2
What is gemini-embedding-2?
Google 的向量模型，用于将输入内容转换为数值向量，支持语义检索和相似度计算。
How do I call gemini-embedding-2?
Create an API key with access to gemini-embedding-2, then use the exact model ID and a supported endpoint from the API access section. Request fields depend on the selected endpoint.
How is gemini-embedding-2 priced?
Pricing depends on the selected provider group and the model billing unit. The current input, output, request, or media prices are shown on this page before sign-up.
What is the context window of gemini-embedding-2?
The model catalog lists a context window of 8192 tokens. Check the selected endpoint for request limits.
How should I evaluate gemini-embedding-2 for my project?
Check whether the endpoint returns embeddings or reranks documents. Keep indexing and query preprocessing consistent.