POST /gemini/v1beta/models/{model}:embedContent 用于生成文本的向量表示,适用于语义搜索、文本分类、聚类等场景。
基础请求
响应示例
批量嵌入
如需处理多个文本,可以使用requests 数组:
任务类型
通过taskType 参数指定嵌入用途,可以优化向量质量:
RETRIEVAL_QUERY:检索查询(用户搜索词)RETRIEVAL_DOCUMENT:检索文档(被搜索的文档)SEMANTIC_SIMILARITY:语义相似度计算CLASSIFICATION:文本分类CLUSTERING:文本聚类
输出维度
部分模型支持自定义输出维度:text-embedding-004 默认输出 768 维向量,支持降维到 256 维以节省存储空间。OpenAI 兼容方式
也可以使用 OpenAI 风格的 Embeddings 接口:常见用途
- 语义搜索:将文档和查询转换为向量,通过余弦相似度找到最相关的文档
- 文本分类:使用向量作为特征输入到分类模型
- 去重与聚类:通过向量相似度识别重复或相似内容
- 推荐系统:基于内容向量计算相似度进行推荐
建议为查询和文档使用不同的
taskType,可以显著提升检索效果。