Gemini Embedding 2 הוא מודל ליצירת הטמעה של Google, שמתאים במיוחד למשימות מורכבות של אחזור וניתוח נתונים.
Gemini Embedding 2 מקבל קלט מולטי-מודאלי כדי ליצור וקטורים תלת-ממדיים של 3,072. הוא מקבל קלט של תמונות, טקסט, מסמכים, אודיו ווידאו, וממפה באופן סמנטי את הווקטורים שנוצרו למרחב סמנטי מאוחד. כך תוכלו לבצע משימות כמו חיפוש תמונה על סמך תיאור טקסטואלי.
Gemini Embedding 2 כולל כמה תכונות לשיפור האיכות והגמישות של הטמעת וקטורים:
הוראות מותאמות אישית למשימה: כשמציינים הוראות למשימה (לדוגמה,
task:code retrievalאוtask:search result), אפשר לבצע אופטימיזציה של ההטמעות כדי להשיג את הקשרים הרצויים, ולקבל תוצאות מדויקות יותר עבור היעד הספציפי.גודל תוצאה שניתן להתאמה: כברירת מחדל, המודל יוצר וקטור float תלת-ממדי בגודל 3,072. עם זאת, אפשר לאחזר פלט ממדי קטן יותר על ידי ציון הפרמטר
output_dimensionality.זיהוי תווים אופטי (OCR) במסמכים: קריאת זיהוי תווים אופטי (OCR) מקלט של מסמכים.
חילוץ טראקים של אודיו: חילוץ טראקים של אודיו מקלט וידאו ושילוב שלהם עם פריימים של וידאו.
מידע נוסף על השימוש ב-Gemini Embedding 2 זמין במאמר קבלת הטמעות מולטימודאליות.
לניסיון ב-Agent Studio פריסת אפליקציה לדוגמה הצגת תמחור
| מזהה המודל | gemini-embedding-2 |
|
|---|---|---|
| אופנים |
|
|
| מגבלות על טוקנים | מספר מקסימלי של טוקנים בקלט | 8,192 |
| מספר מקסימלי של טוקנים בפלט | לא רלוונטי | |
| מידות הפלט | עד 3,072 (עם תמיכה ב-MRL) | |
| אורך הרצף המקסימלי | 8,192 טוקנים | |
| אפשרויות צריכה |
|
|
| מפרטים טכניים | Text |
|
| תמונה |
|
|
| וידאו |
|
|
| אודיו |
|
|
| אזורים נתמכים |
|
|
| תאריך סף הידע | נובמבר 2025 | |
| גרסאות |
|
|