Gemini Embedding 2
Модель Google Gemini Embedding 2 с поддержкой текстового и графического ввода и уменьшения размерности.
- Вход
- 25,32 ₽
google/gemini-embedding-2Данные каталога получены .
Цена
- Векторизация · вход
- 25,32 ₽ / 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
Google Gemini Embedding 2 — модель эмбеддингов с поддержкой ввода текста и изображений, а также уменьшения размерности.
- 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
- Возможности модели
- Входные изображения, Входное аудио, Входное видео
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-2",
"input": [
"Текст для поиска"
],
"encoding_format": "float"
}
print(post("https://api.kvantora.ai/v1/embeddings", payload))