Gemini Embedding

Цена

Цена пока не опубликована

Без опубликованного тарифа стоимость запроса неизвестна.

Перед оплачиваемым запросом создаётся резерв. Итоговый расход привязан к сохранённым параметрам и тарифу запроса. При неизвестном результате резерв удерживается до проверки; такой запрос не следует повторять с новым идентификатором.

О модели

Gemini Embedding преобразует текст в числовой вектор. Такие представления используют при поиске по смыслу, сравнении близости текстов и группировке материалов; результатом служат эмбеддинги, а не ответ в диалоге.

Релиз

Дата не указана

Ограничения перед запуском

Возможности исходной модели и операции, подключённые в Kvantora, могут различаться. Ниже отдельно указаны доступность API и принимаемые параметры. Ответ модели нужно проверять на вашей задаче.

Характеристики

Тип модели

Векторизация

Вход модели

Текст

Выход модели

Векторизация

Операции в каталоге

Векторизация

Доступны через Kvantora

Запуск операций сейчас закрыт

Независимые оценки и источники

Для этой версии пока нет сопоставленной проверенной оценки. Результаты других версий сюда не переносятся.

Результат бенчмарка относится к его методике и версии модели. Он не гарантирует качество ответа, скорость или доступность конкретного запроса в Kvantora.

Подключение

Пример подключения доступен. Запуск этой модели пока недоступен. Ключ храните в переменной окружения на своём сервере. REQUEST_ID: уникальный идентификатор запроса. При повторе сохраняйте его и тело запроса.

import json
import os
from urllib.request import Request, HTTPRedirectHandler, build_opener

class NoRedirect(HTTPRedirectHandler):
    def redirect_request(self, req, fp, code, msg, headers, newurl):
        return None

opener = build_opener(NoRedirect)

def post(url, payload):
    request = Request(url, data=json.dumps(payload).encode("utf-8"), headers={
        "Authorization": "Bearer " + os.environ["KVANTORA_API_KEY"],
        "Content-Type": "application/json",
        "Idempotency-Key": os.environ["REQUEST_ID"],
    }, method="POST")
    with opener.open(request, timeout=120) as response:
        return json.load(response)

payload = {
  "model": "gemini-embedding",
  "input": [
    "Текст для поиска"
  ],
  "encoding_format": "float"
}
print(post("https://api.kvantora.ai/v1/embeddings", payload))

Похожие модели

Загружаем похожие модели…