Модель text-embedding-004 генерирует современные встраивания для слов, фраз и предложений. Полученные вложения затем можно использовать для таких задач, как семантический поиск, классификация текста и кластеризация, а также для многих других. Дополнительную информацию о вложениях можно найти в нашей исследовательской статье .
Что такое вложения?
Вложения улавливают семантическое значение и контекст, в результате чего текст со схожим значением имеет «более близкие» вложения. Например, предложения «Я отвез свою собаку к ветеринару» и «Я отвез свою кошку к ветеринару» будут иметь вложения, близкие друг к другу в векторном пространстве, поскольку оба они описывают схожий контекст.
Вы можете использовать встраивания, чтобы сравнивать разные тексты и понимать, как они связаны. Например, если вложения текста «кошка» и «собака» расположены близко друг к другу, вы можете сделать вывод, что эти слова схожи по значению, контексту или и тому, и другому. Это позволяет использовать различные распространенные варианты использования ИИ .
Генерация вложений
Используйте метод embedContent для создания вложений текста:
Питон
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();
завиток
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?"}]}
}'
Идти
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)
Варианты использования
Встраивание текста используется во множестве распространенных случаев использования ИИ, таких как:
Поиск информации. Вы можете использовать встраивания для извлечения семантически похожего текста по фрагменту входного текста.
Кластеризация. Сравнение групп вложений может помочь выявить скрытые тенденции.
База данных векторов. Когда вы внедряете в производство различные варианты использования встраивания, обычно встраивания сохраняются в базе данных векторов.
Классификация. Вы можете обучить модель, используя внедрения, для классификации документов по категориям.
Модели вложений Gemini
API Gemini предлагает две модели, генерирующие встраивание текста:
Text Embeddings — это обновленная версия модели Embedding, которая предлагает эластичные размеры внедрения до 768 измерений. Эластичные встраивания создают меньшие размеры выходных данных и потенциально экономят затраты на вычисления и хранение с незначительной потерей производительности.
Используйте встраивание текста для новых проектов или приложений.
, Модель text-embedding-004 генерирует современные встраивания для слов, фраз и предложений. Полученные вложения затем можно использовать для таких задач, как семантический поиск, классификация текста и кластеризация, а также для многих других. Дополнительную информацию о вложениях можно найти в нашей исследовательской статье .
Что такое вложения?
Вложения улавливают семантическое значение и контекст, в результате чего текст со схожим значением имеет «более близкие» вложения. Например, предложения «Я отвез свою собаку к ветеринару» и «Я отвез свою кошку к ветеринару» будут иметь вложения, близкие друг к другу в векторном пространстве, поскольку оба они описывают схожий контекст.
Вы можете использовать встраивания, чтобы сравнивать разные тексты и понимать, как они связаны. Например, если вложения текста «кошка» и «собака» расположены близко друг к другу, вы можете сделать вывод, что эти слова схожи по значению, контексту или и тому, и другому. Это позволяет использовать различные распространенные варианты использования ИИ .
Генерация вложений
Используйте метод embedContent для создания вложений текста:
Питон
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();
завиток
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?"}]}
}'
Идти
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)
Варианты использования
Встраивание текста используется во множестве распространенных случаев использования ИИ, таких как:
Поиск информации. Вы можете использовать встраивания для извлечения семантически похожего текста по фрагменту входного текста.
Кластеризация. Сравнение групп вложений может помочь выявить скрытые тенденции.
База данных векторов. Когда вы внедряете в производство различные варианты использования встраивания, обычно встраивания сохраняются в базе данных векторов.
Классификация. Вы можете обучить модель, используя внедрения, для классификации документов по категориям.
Модели вложений Gemini
Gemini API предлагает две модели, генерирующие встраивание текста:
Text Embeddings — это обновленная версия модели Embedding, которая предлагает эластичные размеры внедрения до 768 измерений. Эластичные встраивания создают меньшие размеры выходных данных и потенциально позволяют сэкономить затраты на вычисления и хранение при незначительной потере производительности.
Используйте встраивание текста для новых проектов или приложений.
, Модель text-embedding-004 генерирует современные встраивания для слов, фраз и предложений. Полученные вложения затем можно использовать для таких задач, как семантический поиск, классификация текста и кластеризация, а также для многих других. Дополнительную информацию о вложениях можно найти в нашей исследовательской статье .
Что такое вложения?
Вложения улавливают семантическое значение и контекст, в результате чего текст со схожим значением имеет «более близкие» вложения. Например, предложения «Я отвез свою собаку к ветеринару» и «Я отвез свою кошку к ветеринару» будут иметь вложения, близкие друг к другу в векторном пространстве, поскольку оба они описывают схожий контекст.
Вы можете использовать встраивания, чтобы сравнивать разные тексты и понимать, как они связаны. Например, если вложения текста «кошка» и «собака» расположены близко друг к другу, вы можете сделать вывод, что эти слова схожи по значению, контексту или и тому, и другому. Это позволяет использовать различные распространенные варианты использования ИИ .
Генерация вложений
Используйте метод embedContent для создания встраивания текста:
Питон
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();
завиток
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?"}]}
}'
Идти
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)
Варианты использования
Встраивание текста используется в различных распространенных случаях использования ИИ, таких как:
Поиск информации. Вы можете использовать встраивания для извлечения семантически похожего текста по фрагменту входного текста.
Кластеризация. Сравнение групп вложений может помочь выявить скрытые тенденции.
База данных векторов. Когда вы внедряете в производство различные варианты использования встраивания, обычно встраивания сохраняются в базе данных векторов.
Классификация. Вы можете обучить модель, используя внедрения, для классификации документов по категориям.
Модели вложений Gemini
API Gemini предлагает две модели, генерирующие встраивание текста:
Text Embeddings — это обновленная версия модели Embedding, которая предлагает эластичные размеры внедрения до 768 измерений. Эластичные встраивания создают меньшие размеры выходных данных и потенциально позволяют сэкономить затраты на вычисления и хранение при незначительной потере производительности.
Используйте встраивание текста для новых проектов или приложений.