Какие типы данных поддерживает Gemini Embedding 2 Preview?

Модель поддерживает текст, изображения, видео, аудио и PDF-файлы, преобразуя их в универсальные векторы для поиска.

Можно ли использовать эту модель через alltokens?

Да, модель доступна для интеграции через API alltokens, что позволяет использовать её возможности в ваших приложениях.

Для каких задач лучше всего подходит эта модель?

Она оптимальна для создания систем семантического поиска по архивам медиафайлов и реализации сложных систем генерации с дополнением данными (RAG).

Google: Gemini Embedding 2 Preview

GoogleОбновлено: 17 апреля 2026 г.

Gemini Embedding 2 Preview — это первая мультимодальная модель эмбеддингов от Google, способная преобразовывать текст, изображения, видео и PDF в единое векторное пространство. Она идеально подходит для создания продвинутых систем семантического поиска и реализации RAG-сценариев с использованием разнородных данных.

Использовать через API

Метрики

Вход

27 ₽/M

Выход

0 ₽/M

Контекст

8k tokens

Параметры

Релиз

17 апреля 2026 г.

Поддерживаемые параметры

max_tokensresponse_formatseedtemperaturetop_p

Технический обзор

Gemini Embedding 2 Preview — это первая мультимодальная модель векторных представлений от Google, которая отображает текст, изображения, видео, аудио и PDF-файлы в единое векторное пространство для семантического поиска и генерации с расширением через поиск (RAG).

Кодинг

Инструменты

Длинный контекст

Мультимодальность

Веб-автоматизация

Смежные подборки

Google Gemini модели Недорогие модели

Сравнение с похожими моделями

Модель

Для чего

Контекст

Цена ₽

Модель

Google: Gemini Embedding 2 PreviewТекущая

Для чего

Контекст

Цена ₽

27 / 0

Google: Gemini Embedding 2 PreviewТекущая

27 / 0

Модель

NVIDIA: Llama Nemotron Embed VL 1B V2 (Бесплатно)

Для чего

Обе модели поддерживают мультимодальные эмбеддинги (текст и изображения) для задач визуального поиска.

Контекст

131k

Цена ₽

— / —

NVIDIA: Llama Nemotron Embed VL 1B V2 (Бесплатно)

Обе модели поддерживают мультимодальные эмбеддинги (текст и изображения) для задач визуального поиска.

131k

— / —

Модель

Reka Edge

Для чего

Обе модели работают с широким спектром входных данных, включая видео и изображения, хотя Gemini специализируется именно на векторных представлениях.

Контекст

16k

Цена ₽

14 / 14

Reka Edge

16k

14 / 14

Когда выбирать

Необходим поиск по мультимодальному контенту, включая видео и PDF-документы
Требуется создание единого векторного пространства для разных типов данных в рамках RAG
Нужна высокая точность сопоставления текстовых запросов с визуальным контентом