O guia do gemini-embedding-2

Todos os modelos
Google / gemini-Embedding-2

Google / gemini-Embedding-2

AI Model Milvus Integrated

Tarefa: Incorporação

Modalidade: Multimodal

Métrica de Similaridade: Cosseno

Licença: Proprietário

Dimensões: 3072

Tokens Máximos de Entrada: 8192

Preço: US$0,20 / 1M tokens de texto

Introdução ao modelo `gemini-embedding-2`

gemini-embedding-2-preview é o primeiro modelo de embeddings nativamente multimodal do Google que cria embeddings com até 3072 dimensões. Em comparação com outros modelos de embeddings do Google, como text-embedding-004 e gemini-embedding-exp-03-07, o Gemini Embedding 2 oferece suporte a várias modalidades — texto, imagens, vídeos, áudio e documentos — em um espaço de embeddings unificado em mais de 100 idiomas, tornando-o ideal para aplicações de RAG multimodal e busca semântica.

Vamos dar uma olhada rápida em alguns conceitos básicos.

Modelo	Dimensões	Máx. de tokens	Idiomas	Preço
gemini-embedding-2-preview	3072 (suporta MRL)	8,192	100+	$0.20 / 1M tokens de texto
gemini-embedding-exp-03-07	3072 (suporta MRL)	8,192	Multilíngue	$0.15 / 1M tokens
text-embedding-004	768	2,048	Inglês	$0.025 / 1M caracteres

Como usar o modelo `gemini-embedding-2`

Há duas formas principais de usar o Gemini Embedding 2 para gerar embeddings vetoriais:

PyMilvus: o SDK Python para Milvus que integra perfeitamente o modelo Gemini Embedding 2.
Google Gemini API: o SDK Python oferecido pelo Google (google-genai).

Esses métodos permitem que desenvolvedores incorporem facilmente recursos avançados de embeddings multimodais em suas aplicações.

Depois que os embeddings vetoriais são gerados, eles podem ser armazenados no Zilliz Cloud (um serviço de banco de dados vetorial totalmente gerenciado com tecnologia Milvus) e usados para busca por similaridade semântica. Aqui estão quatro etapas principais:

Cadastre-se gratuitamente para obter uma conta do Zilliz Cloud.
Configure um cluster serverless e obtenha o Public Endpoint e a API Key.
Crie uma coleção vetorial e insira seus embeddings vetoriais.
Execute uma busca semântica nos embeddings armazenados.

Gere embeddings via Google Gemini API e insira-os no Zilliz Cloud para busca semântica

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"])