Gemini Embedding

Цена

Векторизация · вход

18,00 ₽ / 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

Псевдоним модели Gemini Embedding, соответствующий gemini-embedding-001.

Релиз

Дата не указана

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 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.

API-запрос

Пример API-запроса подготовлен для этой операции. 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": "model/gemini-embedding",
  "input": [
    "Текст для поиска"
  ],
  "encoding_format": "float"
}
print(post("https://api.kvantora.ai/v1/embeddings", payload))

Похожие модели

Загружаем похожие модели…