Embeddings

方法：models.embedContent

在给定输入 Content 的情况下，根据模型生成嵌入。

端点

<ph type="x-smartling-placeholder"></ph> 帖子 https://generativelanguage.googleapis.com/v1beta/{model=models/*}:embedContent

路径参数

model string

必需。模型的资源名称。这充当要使用的模型的 ID。

此名称应与 models.list 方法返回的模型名称一致。

格式：models/{model}。其格式为 models/{model}。

请求正文

请求正文中包含结构如下的数据：

<ph type="x-smartling-placeholder">
</ph> 田野
content object (Content)

必需。要嵌入的内容。系统只会统计 parts.text 字段。

taskType enum (TaskType)

可选。将使用嵌入的可选任务类型。只能针对“models/embedding-001”进行设置。

title string

可选。文本的可选标题。仅在 TaskType 为 RETRIEVAL_DOCUMENT 时适用。

注意：为 RETRIEVAL_DOCUMENT 指定 title 可为检索提供更好的嵌入质量。

outputDimensionality integer

可选。输出嵌入的可选缩减维度。如果设置此字段，输出嵌入中的过多值将从末尾截断。自 2024 年以来，新模型均支持该值，而较早的模型 (models/embedding-001) 无法指定此值。

示例请求

Python


text = "Hello World!"
result = genai.embed_content(
    model="models/text-embedding-004", content=text, output_dimensionality=10
)
print(result["embedding"])

Node.js

// Make sure to include these imports:
// import { GoogleGenerativeAI } from "@google/generative-ai";
const genAI = new GoogleGenerativeAI(process.env.API_KEY);
const model = genAI.getGenerativeModel({
  model: "text-embedding-004",
});

const result = await model.embedContent("Hello world!");

console.log(result.embedding);

响应正文

对 EmbedContentRequest 的响应。

如果成功，响应正文将包含结构如下的数据：

田野
embedding object (ContentEmbedding)

仅限输出。从输入内容生成的嵌入。

JSON 表示法 
{
  "embedding": {
    object (ContentEmbedding)
  }
}

方法：models.batchEmbedContents

在同步调用中给定输入文本，根据模型生成多个嵌入。

端点

<ph type="x-smartling-placeholder"></ph> 帖子 https://generativelanguage.googleapis.com/v1beta/{model=models/*}:batchEmbedContents

路径参数

model string

必需。模型的资源名称。这充当要使用的模型的 ID。

此名称应与 models.list 方法返回的模型名称一致。

格式：models/{model}。其格式为 models/{model}。

请求正文

请求正文中包含结构如下的数据：

<ph type="x-smartling-placeholder">
</ph> 田野
requests[] object (EmbedContentRequest)

必需。批次的嵌入请求。每个请求中的模型都必须与指定的 BatchEmbedContentsRequest.model 模型匹配。

示例请求

Python

texts = [
    "What is the meaning of life?",
    "How much wood would a woodchuck chuck?",
    "How does the brain work?",
]
result = genai.embed_content(
    model="models/text-embedding-004", content=texts, output_dimensionality=10
)
print(result)

Node.js

// Make sure to include these imports:
// import { GoogleGenerativeAI } from "@google/generative-ai";
const genAI = new GoogleGenerativeAI(process.env.API_KEY);
const model = genAI.getGenerativeModel({
  model: "text-embedding-004",
});

function textToRequest(text) {
  return { content: { role: "user", parts: [{ text }] } };
}

const result = await model.batchEmbedContents({
  requests: [
    textToRequest("What is the meaning of life?"),
    textToRequest("How much wood would a woodchuck chuck?"),
    textToRequest("How does the brain work?"),
  ],
});

console.log(result.embeddings);

响应正文

对 BatchEmbedContentsRequest 的响应。

如果成功，响应正文将包含结构如下的数据：

田野
embeddings[] object (ContentEmbedding)

仅限输出。每个请求的嵌入，顺序与批量请求中提供的顺序相同。

JSON 表示法 
{
  "embeddings": [
    {
      object (ContentEmbedding)
    }
  ]
}

EmbedContentRequest

包含要嵌入模型的 Content 的请求。

JSON 表示法 
{
  "model": string,
  "content": {
    object (Content)
  },
  "taskType": enum (TaskType),
  "title": string,
  "outputDimensionality": integer
}
田野
model string

必需。模型的资源名称。这充当要使用的模型的 ID。

此名称应与 models.list 方法返回的模型名称一致。

格式：models/{model}

content object (Content)

必需。要嵌入的内容。系统只会统计 parts.text 字段。

taskType enum (TaskType)

可选。将使用嵌入的可选任务类型。只能针对“models/embedding-001”进行设置。

title string

可选。文本的可选标题。仅在 TaskType 为 RETRIEVAL_DOCUMENT 时适用。

注意：为 RETRIEVAL_DOCUMENT 指定 title 可为检索提供更好的嵌入质量。

outputDimensionality integer

可选。输出嵌入的可选缩减维度。如果设置此字段，输出嵌入中的过多值将从末尾截断。自 2024 年以来，新模型均支持该值，而较早的模型 (models/embedding-001) 无法指定此值。

ContentEmbedding

表示嵌入的浮点数列表。

JSON 表示法 
{
  "values": [
    number
  ]
}
田野
values[] number

嵌入值。

TaskType

要使用嵌入的任务类型。

枚举
TASK_TYPE_UNSPECIFIED 未设置的值，将默认为其他枚举值之一。
RETRIEVAL_QUERY 将给定文本指定为搜索/检索设置中的查询。
RETRIEVAL_DOCUMENT 指定给定文本是待搜索语料库中的文档。
SEMANTIC_SIMILARITY 指定将用于 STS 的给定文本。
CLASSIFICATION 指定对给定文本进行分类。
CLUSTERING 指定嵌入用于聚类。
QUESTION_ANSWERING 指定给定文本将用于问题回答。
FACT_VERIFICATION 指定将用于事实验证的给定文本。