gemini-embedding-2 가이드

모든 모델
Google / gemini-Embedding-2

Google / gemini-Embedding-2

AI Model Milvus Integrated

작업: 임베딩

형태: 멀티모달

유사성 측정법: 코사인

라이선스: 독점

차원: 3072

최대 입력 토큰: 8192

가격: $0.20 / 1M 텍스트 토큰

`gemini-embedding-2` 모델 소개

gemini-embedding-2-preview는 최대 3072차원의 임베딩을 생성하는 Google 최초의 네이티브 멀티모달 임베딩 모델입니다. text-embedding-004 및 gemini-embedding-exp-03-07과 같은 Google의 다른 임베딩 모델과 비교할 때, Gemini Embedding 2는 텍스트, 이미지, 동영상, 오디오, 문서 등 여러 모달리티를 100개 이상의 언어에 걸쳐 통합된 임베딩 공간에서 지원하므로 멀티모달 RAG 및 시맨틱 검색 애플리케이션에 이상적입니다.

몇 가지 기본 사항을 간단히 살펴보겠습니다.

모델	차원	최대 토큰	언어	가격
gemini-embedding-2-preview	3072 (MRL 지원)	8,192	100개 이상	$0.20 / 1M 텍스트 토큰
gemini-embedding-exp-03-07	3072 (MRL 지원)	8,192	다국어	$0.15 / 1M 토큰
text-embedding-004	768	2,048	영어	$0.025 / 1M 문자

`gemini-embedding-2` 모델 사용 방법

벡터 임베딩을 생성하기 위해 Gemini Embedding 2를 사용하는 주요 방법은 두 가지입니다:

PyMilvus: Gemini Embedding 2 모델을 원활하게 통합하는 Milvus용 Python SDK입니다.
Google Gemini API: Google에서 제공하는 Python SDK(google-genai)입니다.

이러한 방법을 통해 개발자는 고급 멀티모달 임베딩 기능을 애플리케이션에 쉽게 통합할 수 있습니다.

벡터 임베딩이 생성되면 Zilliz Cloud(Milvus 기반의 완전 관리형 벡터 데이터베이스 서비스)에 저장하고 시맨틱 유사도 검색에 사용할 수 있습니다. 다음은 네 가지 핵심 단계입니다:

무료로 Zilliz Cloud 계정에 가입합니다.
서버리스 클러스터를 설정하고 Public Endpoint 및 API Key를 얻습니다.
벡터 컬렉션을 생성하고 벡터 임베딩을 삽입합니다.
저장된 임베딩에서 시맨틱 검색을 실행합니다.

Google Gemini API를 통해 임베딩을 생성하고 시맨틱 검색을 위해 Zilliz Cloud에 삽입하기

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"])