Gemini Embedding 001
Текстовая модель Google для векторного поиска и сравнения смысла.
- Вход
- 18,99 ₽
google/gemini-embedding-001Данные каталога получены .
Цена
- Векторизация · вход
- 18,99 ₽ / 1 млн токенов
Цена указана в рублях для выбранной операции и её параметров.
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 001 превращает текст в векторные представления. В API разработчика для неё задают тип задачи, включая семантическое сходство, классификацию, кластеризацию, поиск документов, поиск кода, ответы на вопросы и проверку фактов. По документации исходной модели размер выходного вектора по умолчанию равен 3072 и может быть уменьшен через `output_dimensionality`.
- Релиз
Характеристики
- Тип модели
- Векторизация
- Вход модели
- Текст
Данные, которые модель принимает вместе с запросом.
- Выход модели
- Векторизация
Форматы результата, которые создаёт модель.
- Операции
- Векторизация
Контрольные показатели
Для этой версии модели оценок пока нет.
Оценки относятся к этой версии модели и методике источника. Качество и скорость конкретного запроса они не гарантируют.
API-запрос
Операция доступна через API. 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": "google/gemini-embedding-001",
"input": [
"Текст для поиска"
],
"encoding_format": "float"
}
print(post("https://api.kvantora.ai/v1/embeddings", payload))