Embeddings

API-ja Gemini ofron modele integrimi për të gjeneruar integrime për tekst, imazhe, video dhe përmbajtje të tjera. Këto integrime që rezultojnë mund të përdoren më pas për detyra të tilla si kërkimi semantik, klasifikimi dhe grupimi, duke ofruar rezultate më të sakta dhe të ndërgjegjshme për kontekstin sesa qasjet e bazuara në fjalë kyçe.

Modeli më i fundit, gemini-embedding-2 , është modeli i parë multimodal i ngulitur në Gemini API. Ai hartëzon tekstin, imazhet, videon, audion dhe dokumentet në një hapësirë të unifikuar ngulitjeje, duke mundësuar kërkimin ndërmodal, klasifikimin dhe grupimin në mbi 100 gjuhë. Shihni seksionin e ngulitjeve multimodale për të mësuar më shumë. Për rastet e përdorimit vetëm me tekst, gemini-embedding-001 mbetet i disponueshëm.

Ndërtimi i sistemeve të Gjenerimit të Shtuar të Rikthimit (RAG) është një rast i zakonshëm përdorimi për produktet e IA-së. Integrimet luajnë një rol kyç në përmirësimin e ndjeshëm të rezultateve të modelit me saktësi faktike, koherencë dhe pasuri kontekstuale të përmirësuar. Nëse preferoni të përdorni një zgjidhje të menaxhuar RAG, ne kemi ndërtuar mjetin e Kërkimit të Skedarëve i cili e bën kryerjen e RAG më të lehtë për t'u menaxhuar dhe më efektiv nga ana e kostos.

Gjenerimi i ngulitjeve

Përdorni metodën embedContent për të gjeneruar ngulitje teksti:

Python

from google import genai

client = genai.Client()

result = client.models.embed_content(
        model="gemini-embedding-2",
        contents="What is the meaning of life?"
)

print(result.embeddings)

JavaScript

import { GoogleGenAI } from "@google/genai";

async function main() {

    const ai = new GoogleGenAI({});

    const response =