Google / gemini-Embedding-2
Milvus Integrated
Compito: Incorporamento
Modalità: Multimodale
Metrica di Similarità: Coseno
Licenza: Proprietario
Dimensioni: 3072
Token di Input Massimi: 8192
Prezzo: $0,20 / 1M token di testo
Introduzione al modello gemini-embedding-2
gemini-embedding-2-preview è il primo modello di embedding nativamente multimodale di Google che crea embedding con fino a 3072 dimensioni. Rispetto agli altri modelli di embedding di Google, come text-embedding-004 e gemini-embedding-exp-03-07, Gemini Embedding 2 supporta più modalità — testo, immagini, video, audio e documenti — in uno spazio di embedding unificato in oltre 100 lingue, rendendolo ideale per applicazioni di RAG multimodale e ricerca semantica.
Diamo una rapida occhiata ad alcune nozioni di base.
| Modello | Dimensioni | Token massimi | Lingue | Prezzo |
|---|---|---|---|---|
| gemini-embedding-2-preview | 3072 (supporta MRL) | 8,192 | 100+ | $0.20 / 1M token di testo |
| gemini-embedding-exp-03-07 | 3072 (supporta MRL) | 8,192 | Multilingue | $0.15 / 1M token |
| text-embedding-004 | 768 | 2,048 | Inglese | $0.025 / 1M caratteri |
Come utilizzare il modello gemini-embedding-2
Esistono due modi principali per utilizzare Gemini Embedding 2 per generare embedding vettoriali:
- PyMilvus: l'SDK Python per Milvus che integra perfettamente il modello Gemini Embedding 2.
- Google Gemini API: l'SDK Python offerto da Google (
google-genai).
Questi metodi consentono agli sviluppatori di incorporare facilmente funzionalità avanzate di embedding multimodale nelle loro applicazioni.
Una volta generati gli embedding vettoriali, possono essere archiviati in Zilliz Cloud (un servizio di database vettoriale completamente gestito basato su Milvus) e utilizzati per la ricerca di similarità semantica. Ecco quattro passaggi chiave:
- Registrati gratuitamente per un account Zilliz Cloud.
- Configura un cluster serverless e ottieni il Public Endpoint and API Key.
- Crea una collection vettoriale e inserisci i tuoi embedding vettoriali.
- Esegui una ricerca semantica sugli embedding archiviati.
Genera embedding tramite Google Gemini API e inseriscili in Zilliz Cloud per la ricerca semantica
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"])
Per maggiori informazioni, consulta la Guida a Gemini Embedding di Google.
- Introduzione al modello `gemini-embedding-2`
- Come utilizzare il modello `gemini-embedding-2`
Contenuto
Flussi di lavoro AI senza interruzioni
Dalle embedding alla ricerca AI scalabile—Zilliz Cloud ti consente di memorizzare, indicizzare e recuperare embedding con velocità e efficienza senza pari.
Prova Zilliz Cloud gratuitamente
