gemini-embedding-001
Provides text embedding models for generating embeddings for words, phrases, sentences, and code. These foundational embeddings support advanced NLP tasks such as semantic search, classification, and clustering, offering more accurate and context-aware search results compared to keyword-based approaches. Building Retrieval Augmented Generation (RAG) systems is a common use case for embeddings. Embeddings play a crucial role in significantly enhancing model outputs, improving factual accuracy, coherence, and contextual richness. They enable efficient retrieval of relevant information from knowledge bases (represented as embeddings), which is then passed as additional background information in the input prompt to the language model, guiding it to generate more informed and accurate responses.
الأداء
الأسعار
| سعر الإدخال | $0.00 · لكلّ مليون token |
| سعر الإخراج | $0.00 · لكلّ مليون token |
| نافذة السياق | 2K token |
| النقاط الطرفية المتوافقة | embedding |
| المزوّد |
استدعِ gemini-embedding-001 من كودك
وجّه أيّ SDK متوافق مع OpenAI إلى UnoRouter واطلب النموذج بالاسم. استبدل YOUR_API_KEY بمفتاح حقيقي من لوحة التحكّم.
curl https://api.unorouter.ai/v1/chat/completions \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-embedding-001",
"messages": [{"role": "user", "content": "Hello!"}]
}'الأسئلة الشائعة
كم تكلّف gemini-embedding-001 لكل مليون token؟
الإدخال بسعر $0.00 لكل مليون token، والإخراج بسعر $0.00 لكل مليون token. الفوترة بالـ token، بدون تقريب لأحجام دفعات.
كيف أصل إلى gemini-embedding-001 عبر API؟
أرسل الطلبات إلى نقطة UnoRouter الطرفية /v1/chat/completions مع model=gemini-embedding-001. أيّ مكتبة عميل متوافقة مع OpenAI تعمل. المصادقة تستخدم Bearer token قياسي.
ما نافذة السياق لـ gemini-embedding-001؟
gemini-embedding-001 يدعم نافذة سياق بـ 2K token، مشتركة بين مطالبتك وردّ النموذج.