Gemini API 中的嵌入

text-embedding-004 模型可为字词、短语和句子生成先进的嵌入。然后，生成的嵌入可用于语义搜索、文本分类、聚类等任务。如需详细了解嵌入，请参阅我们的研究论文。

什么是嵌入？

嵌入会捕获语义含义和上下文，这会导致具有相似含义的文本具有“更接近”的嵌入。例如，“我带狗去看兽医”和“我带猫去看兽医”这两个句子的嵌入在矢量空间中彼此接近，因为它们描述的背景相似。

您可以使用嵌入来比较不同的文本，并了解它们之间的关系。例如，如果文本“cat”和“dog”的嵌入相近，则可以推断这两个词在含义或上下文方面相似。这支持各种常见 AI 应用场景。

生成嵌入

使用 embedContent 方法生成文本嵌入：

Python

import google.generativeai as genai
import os

genai.configure(api_key=os.environ["GEMINI_API_KEY"])

result = genai.embed_content(
        model="models/text-embedding-004",
        content="What is the meaning of life?")

print(str(result['embedding']))

Node.js

const { GoogleGenerativeAI } = require("@google/generative-ai");

const genAI = new GoogleGenerativeAI(process.env.GEMINI_API_KEY);
const model = genAI.getGenerativeModel({ model: "text-embedding-004"});

async function run() {
    const result = await model.embedContent("What is the meaning of life?");
    console.log(result.embedding.values);
}

run();

curl

curl "https://generativelanguage.googleapis.com/v1beta/models/text-embedding-004:embedContent?key=$GEMINI_API_KEY" \
-H 'Content-Type: application/json' \
-d '{"model": "models/text-embedding-004",
     "content": {
     "parts":[{
     "text": "What is the meaning of life?"}]}
    }'

Go

ctx := context.Background()

client, err := genai.NewClient(ctx, option.WithAPIKey(os.Getenv("GEMINI_API_KEY")))
if err != nil {
    log.Fatal(err)
}
defer client.Close()

em := client.EmbeddingModel("text-embedding-004")
res, err := em.EmbedContent(ctx, genai.Text("What is the meaning of life?"))

if err != nil {
    panic(err)
}
fmt.Println(res.Embedding.Values)

使用场景

文本嵌入可用于各种常见的 AI 用例，例如：

信息检索：您可以使用嵌入，根据一段输入文本检索语义相似的文本。

文档搜索教程
聚类：比较一组嵌入有助于发现隐藏的趋势。

嵌入聚类教程
向量数据库：在将不同的嵌入用例投入生产环境后，通常会将嵌入存储在向量数据库中。

矢量数据库教程
分类：您可以使用嵌入训练模型，将文档分类到不同的类别。

分类教程

Gemini 嵌入模型

Gemini API 提供了两个用于生成文本嵌入的模型：

文本嵌入是嵌入模型的更新版本，可提供小于 768 维的弹性嵌入大小。弹性嵌入会生成较小的输出维度，并且可能会在性能略有下降的情况下节省计算和存储费用。

将文本嵌入用于新项目或应用。