Google Gemini Embedding 001 (полное название — gemini-embedding-001) — это первый текстовый эмбеддинг-модель нового поколения от Google DeepMind, представленная в рамках экосистемы Gemini API. Модель была анонсирована в экспериментальном режиме в марте 2025 года и достигла статуса General Availability (GA) 14 июля 2025 года. Это первая эмбеддинг-модель, построенная на архитектуре Gemini, которая пришла на смену устаревшим моделям Google — text-embedding-004, text-embedding-005 и text-multilingual-embedding-002.
С момента экспериментального запуска модель стабильно удерживает лидирующие позиции в мультиязычном лидерборде Massive Text Embedding Benchmark (MTEB), превосходя как предыдущие модели Google, так и коммерческие предложения конкурентов. Согласно отраслевым отчётам, Gemini Embedding 001 набрала 68,37 балла в MTEB, значительно опередив модель OpenAI с результатом 58,93 балла.
Модель доступна разработчикам через Gemini API, Vertex AI и Google AI Studio (с бесплатным тарифом для экспериментов), а также через такие платформы, как OpenRouter и Vercel AI Gateway.
Архитектура и принцип работы
Gemini Embedding 001 является текстовой эмбеддинг-моделью, которая преобразует текст — слова, фразы, предложения и даже код — в плотные числовые векторы (эмбеддинги). Эти векторы оптимизированы для семантического понимания: семантически близкие тексты отображаются в близкие точки векторного пространства, что позволяет решать задачи поиска, классификации, кластеризации и ранжирования на основе смысла, а не простого совпадения ключевых слов.
Модель использует передовую технику Matryoshka Representation Learning (MRL). Эта технология позволяет модели обучаться с возможностью последующего динамического изменения размерности выходного вектора — от 128 до 3072 измерений. Пользователь может «обрезать» вектор до нужной размерности с минимальной потерей качества, что даёт гибкость в оптимизации под требования по памяти, скорости и стоимости хранения.
Контекстное окно и лимиты
Модель поддерживает максимальную длину входного текста в 2048 токенов. На некоторых платформах (например, OpenRouter) указывается контекстное окно в 20 000 токенов — вероятно, это относится к суммарному объёму запроса с учётом служебных данных или к возможностям пакетной обработки.
Размерность эмбеддингов
Базовая (полная) размерность выходного вектора составляет 3072 измерения. Благодаря MRL разработчик может задавать любую размерность в широком диапазоне, при этом Google рекомендует для наилучшего качества использовать 3072, 1536 или 768 измерений.
Поддержка языков
Модель поддерживает более 100 языков, что делает её одной из самых мультиязычных эмбеддинг-моделей на рынке.
Типы задач (Task Types)
Модель поддерживает параметр task_type, который позволяет оптимизировать эмбеддинг под конкретную задачу. Доступные типы задач включают RETRIEVAL_QUERY, RETRIEVAL_DOCUMENT, а также задачи классификации, кластеризации и семантического сходства.
Дата выхода и версии
Экспериментальный запуск — март 2025 года. General Availability (GA) — 14 июля 2025 года. Доступность на OpenRouter — 31 октября – 1 ноября 2025 года. Экспериментальная модель gemini-embedding-exp-03-07 и устаревшая embedding-001 депрецируются 14 августа 2025 года. text-embedding-004 депрецируется 14 января 2026 года.
Ценообразование
$0.15 за 1 миллион входных токенов. На OpenRouter эффективная цена примерно $0.149 за 1M токенов. Бесплатно через Google AI Studio.
Сценарии использования
RAG, семантический поиск, классификация текстов, юридический поиск, поиск по коду, кластеризация.
