Google / gemini-Embedding-2
Milvus Integrated
Aufgabe: Einbettung
Modalität: Multimodal
Ähnlichkeitsmetrik: Kosinus
Lizenz: Proprietär
Dimensionen: 3072
Maximale Eingabe-Tokens: 8192
Preis: $0,20 / 1 Mio. Text-Token
Einführung in das Modell gemini-embedding-2
gemini-embedding-2-preview ist Googles erstes nativ multimodales Embedding-Modell, das Embeddings mit bis zu 3072 Dimensionen erstellt. Im Vergleich zu Googles anderen Embedding-Modellen wie text-embedding-004 und gemini-embedding-exp-03-07 unterstützt Gemini Embedding 2 mehrere Modalitäten — Text, Bilder, Videos, Audio und Dokumente — in einem einheitlichen Embedding-Raum über mehr als 100 Sprachen hinweg, wodurch es ideal für multimodale RAG- und semantische Suchanwendungen ist.
Werfen wir einen kurzen Blick auf einige Grundlagen.
| Modell | Dimensionen | Max. Tokens | Sprachen | Preis |
|---|---|---|---|---|
| gemini-embedding-2-preview | 3072 (unterstützt MRL) | 8,192 | 100+ | $0.20 / 1M Text-Tokens |
| gemini-embedding-exp-03-07 | 3072 (unterstützt MRL) | 8,192 | Mehrsprachig | $0.15 / 1M Tokens |
| text-embedding-004 | 768 | 2,048 | Englisch | $0.025 / 1M Zeichen |
So verwenden Sie das Modell gemini-embedding-2
Es gibt zwei primäre Möglichkeiten, Gemini Embedding 2 zur Generierung von Vektor-Embeddings zu verwenden:
- PyMilvus: das Python SDK für Milvus, das das Modell Gemini Embedding 2 nahtlos integriert.
- Google Gemini API: das von Google angebotene Python SDK (
google-genai).
Diese Methoden ermöglichen es Entwicklern, fortschrittliche multimodale Embedding-Funktionen einfach in ihre Anwendungen zu integrieren.
Sobald die Vektor-Embeddings generiert wurden, können sie in Zilliz Cloud (einem vollständig verwalteten Vektordatenbankdienst auf Basis von Milvus) gespeichert und für die semantische Ähnlichkeitssuche verwendet werden. Hier sind vier wichtige Schritte:
- Registrieren Sie sich kostenlos für ein Zilliz Cloud-Konto.
- Richten Sie einen serverlosen Cluster ein und erhalten Sie den Public Endpoint und API Key.
- Erstellen Sie eine Vektorsammlung und fügen Sie Ihre Vektor-Embeddings ein.
- Führen Sie eine semantische Suche auf den gespeicherten Embeddings aus.
Embeddings über die Google Gemini API generieren und sie für die semantische Suche in Zilliz Cloud einfügen
from google import genai
from pymilvus import MilvusClient
GEMINI_API_KEY = "your-gemini-api-key"
gemini_client = genai.Client(api_key=GEMINI_API_KEY)
# Generate embeddings for documents
docs = [
"Artificial intelligence was founded as an academic discipline in 1956.",
"Alan Turing was the first person to conduct substantial research in AI.",
"Born in Maida Vale, London, Turing was raised in southern England.",
]
doc_result = gemini_client.models.embed_content(
model="gemini-embedding-2-preview",
contents=docs,
)
doc_embeddings = [e.values for e in doc_result.embeddings]
# Generate embeddings for queries
queries = ["When was artificial intelligence founded",
"Where was Alan Turing born?"]
query_result = gemini_client.models.embed_content(
model="gemini-embedding-2-preview",
contents=queries,
)
query_embeddings = [e.values for e in query_result.embeddings]
# Connect to Zilliz Cloud with Public Endpoint and API Key
milvus_client = MilvusClient(
uri=ZILLIZ_PUBLIC_ENDPOINT,
token=ZILLIZ_API_KEY)
COLLECTION = "documents"
if milvus_client.has_collection(collection_name=COLLECTION):
milvus_client.drop_collection(collection_name=COLLECTION)
milvus_client.create_collection(
collection_name=COLLECTION,
dimension=3072,
auto_id=True)
for doc, embedding in zip(docs, doc_embeddings):
milvus_client.insert(COLLECTION, {"text": doc, "vector": embedding})
results = milvus_client.search(
collection_name=COLLECTION,
data=query_embeddings,
output_fields=["text"])
Weitere Informationen finden Sie in Googles Gemini Embedding Guide.
- Einführung in das Modell `gemini-embedding-2`
- So verwenden Sie das Modell `gemini-embedding-2`
Inhalte
Nahtlose KI-Workflows
Von Embeddings bis hin zu skalierbarer KI-Suche – Zilliz Cloud ermöglicht es Ihnen, Embeddings mit beispielloser Geschwindigkeit und Effizienz zu speichern, zu indizieren und abzurufen.
Zilliz Cloud kostenlos ausprobieren
