Tous les modèles
Intégrations et recherche de vecteursDisponible
Google DeepMindEmbeddingGemma 2
Le modèle d'embeddings à poids ouverts de Google DeepMind pour rechercher localement dans du texte, du code, des images, de l'audio et de la vidéo.
Présentation de l'anglais simple
Qu'est-ce que EmbeddingGemma 2 ?
EmbeddingGemma transforme le contenu en vecteurs recherchables plutôt que de générer une réponse. Différents médias peuvent partager un index : une requête textuelle peut ainsi retrouver une image, un enregistrement ou un extrait vidéo pertinent.
Ne chargez que les encodeurs nécessaires à votre application. Des vecteurs plus petits réduisent le stockage, mais la qualité de recherche, le prétraitement et la charge réelle de l'appareil restent à évaluer.
Bon ajustement pour
- Recherche multimodale locale et hors ligne
- RAG sur des médias et documents privés
- Recherche dans le code sur du matériel grand public
Comparaison des catégories
Les faits importants pour les modèles intégrations
Il s'agit de spécifications publiées par le fournisseur et non de scores de référence Cody. Suivez les sources liées pour connaître les limites actuelles et les exceptions spécifiques aux points de terminaison.
- Prix d'intégration
- Poids ouverts ; auto-hébergéPrix actuel du fournisseur par million de jetons d'entrée ou unité de facturation publiée la plus proche.
- Capacité d'entrée
- 8,192 tokens partagés entre texte et médiasContenu maximum accepté dans une entrée d'intégration, en utilisant la base de jetons documentée du fournisseur.
- Dimensions vectorielles
- 768 par défaut ; 512, 256 ou 128 avec renormalisationTailles de sortie prises en charge ; des vecteurs plus petits réduisent le stockage tandis que des vecteurs plus grands peuvent conserver plus d'informations.
- Entrées acceptées
- Texte, code, images, audio et images vidéo échantillonnéesEntrée de texte, de code, d'image, d'audio, de vidéo, de PDF ou de document prise en charge par le point de terminaison.
- Contrôles de récupération
- Prompts de tâche, encodeurs sélectionnables, troncature et normalisation des vecteursModes de requête/document, types de tâches, troncature, segmentation ou autres contrôles qui façonnent les vecteurs pour la récupération.
- Où ça court
- Local ou auto-hébergé ; poids sous Apache 2.0API directe, marché cloud, déploiement privé ou itinéraire auto-hébergé documenté par le fournisseur.
Tarifs et comparaisons
Estimez votre coût
Indiquez votre utilisation. L’estimation se met à jour à chaque modification.
Hypothèse : 600 tokens par page, traitée séparément. Le nombre réel varie. Embeddings uniquement, hors stockage, recherche et réponses.
EmbeddingGemma 2
Google DeepMind
Total estimé (USD)
Pour l’utilisation indiquée · USD · Tarif API, hors abonnement
Comprendre cette estimation
Les estimations excluent taxes, outils, stockage/écriture du cache, quotas gratuits et remises personnalisées. Pour les images, seule la sortie est incluse, pas le prompt ni les références. Les modes de qualité varient. Un paramètre non répertorié n’est pas gratuit.
Accès API et fournisseur
Où obtenir EmbeddingGemma 2
Hugging FaceTélécharger les poids ouverts officielsCheckpoint et fiche de modèle de Google sous Apache 2.0.Google AI for DevelopersDocumentation d'EmbeddingGemmaLimites du modèle, prompts de tâche, conseils d'exécution et options de déploiement.Google AI EdgeEssayer les démos de recherche sur l'appareilExemples officiels de recherche locale de médias et de recherche vidéo.Cody editorialLire le guide d'EmbeddingGemma 2Une explication pratique de la recherche locale, des évolutions de version et des compromis du modèle.
Disponibilité
Régions et étape d'accès
Poids ouverts pour l'inférence locale ou auto-hébergée, avec encodeurs de vision et d'audio facultatifs.
L'accès au téléchargement dépend des règles de la plateforme d'hébergement. L'auto-hébergement n'est pas une API régionale exploitée par le fournisseur.
Vérifier la disponibilité en directDonnées et formation
L'itinéraire compte.
L'inférence peut s'exécuter localement sans envoyer le contenu source à une API d'embeddings. La conservation des données et l'accès réseau dépendent de l'application et des services connectés.
Il s'agit d'une lecture concise du matériel du fournisseur cité, et non d'un avis juridique. Une passerelle tierce peut avoir des conditions de stockage, de routage, de formation et de résidence différentes de celles de l'API directe du modéliste.
Lire la politique du fournisseurQuestions fréquemment posées
FAQ EmbeddingGemma 2
Qu'est-ce que EmbeddingGemma 2 ?
Le modèle d'embeddings à poids ouverts de Google DeepMind pour rechercher localement dans du texte, du code, des images, de l'audio et de la vidéo. EmbeddingGemma transforme le contenu en vecteurs recherchables plutôt que de générer une réponse. Différents médias peuvent partager un index : une requête textuelle peut ainsi retrouver une image, un enregistrement ou un extrait vidéo pertinent.
Quand EmbeddingGemma 2 est-il sorti ?
EmbeddingGemma 2 a été publié sur 6 octobre 2026 selon les documents du fournisseur cités.
Où puis-je accéder à EmbeddingGemma 2 ?
Poids ouverts pour l'inférence locale ou auto-hébergée, avec encodeurs de vision et d'audio facultatifs. Les voies d'accès répertoriées dans ce guide sont Hugging Face, Google AI for Developers, Google AI Edge et Cody editorial.
Combien coûte EmbeddingGemma 2 ?
Poids ouverts ; auto-hébergé. Poids sous Apache 2.0. Les coûts de calcul, de mémoire et d'hébergement dépendent du déploiement ; la documentation de lancement ne donne pas de tarif fixe par token pour une API hébergée.
Où le EmbeddingGemma 2 est-il disponible ?
Poids ouverts pour l'inférence locale ou auto-hébergée, avec encodeurs de vision et d'audio facultatifs. L'accès au téléchargement dépend des règles de la plateforme d'hébergement. L'auto-hébergement n'est pas une API régionale exploitée par le fournisseur.
Mes données API EmbeddingGemma 2 sont-elles utilisées pour la formation ?
L'inférence peut s'exécuter localement sans envoyer le contenu source à une API d'embeddings. La conservation des données et l'accès réseau dépendent de l'application et des services connectés. La politique appartient à l'itinéraire du fournisseur et aux conditions du compte, vérifiez-la donc à nouveau avant de l'utiliser en production.
Comparaison des prix
USD par million de tokens pour les API indiquées avec un contexte standard. Les tarifs de cache et de contexte long peuvent varier. Les modèles sans prix vérifiés compatibles sont omis ; un coût inférieur n’indique pas une meilleure qualité.
- Mistral Embed0,10 $US
Mistral AI
- Voyage 4 Large0,12 $US
Voyage AI
- Voyage Context 40,12 $US
Voyage AI
- Voyage Code 40,12 $US
Voyage AI
- text-embedding-3-large0,13 $US
OpenAI
- Gemini Embedding 20,20 $US
Google
Comparaisons associées
Comparaisons face à face
EmbeddingGemma 2 vs Gemini Embedding 2
Modèle d'intégration multimodal de Google pour placer du texte, des images, des vidéos, de l'audio et des PDF dans un seul espace vectoriel consultable.
Ouvrir la comparaison complèteEmbeddingGemma 2 vs text-embedding-3-large
Le modèle d'intégration de texte le plus performant de OpenAI pour les pipelines de recherche sémantique, de recommandations, de clustering et de récupération.
Ouvrir la comparaison complèteEmbeddingGemma 2 vs Cohere Embed 4
Modèle d'intégration d'entreprise de Cohere pour du texte, des images et des documents visuellement riches multilingues avec une fenêtre contextuelle de 128 Ko.
Ouvrir la comparaison complète
