Skip to main content

Embedding

Embedding biến một đoạn văn bản thành một vector số, dùng cho tìm kiếm ngữ nghĩa, RAG, phân cụm hay so sánh độ giống nhau giữa các câu. Gọi qua endpoint /embeddings, cùng base_url và API key như các trang trước.

Danh sách model​

ModelNhà cung cấpSố chiềuNgôn ngữGiá input /1M token
gemini-embedding-001Agent Platform3072đa ngôn ngữ, có tiếng Việt$0.15
gemini-embedding-2Agent Platform3072đa ngôn ngữ, có tiếng Việt$0.2
text-multilingual-embedding-002Agent Platform768đa ngôn ngữ, có tiếng Việt$0.1
text-embedding-005Agent Platform768chủ yếu tiếng Anh$0.1
text-embedding-3-smallOpenAI1536đa ngôn ngữ$0.02
text-embedding-3-largeOpenAI3072đa ngôn ngữ$0.13

"Agent Platform" là Gemini Enterprise Agent Platform (trước đây là Vertex AI) của Google Cloud.

gemini-embedding-2: mỗi request một đoạn văn bản

Với gemini-embedding-2, nếu input là danh sách nhiều đoạn, gateway chỉ trả về một vector. Hãy gửi mỗi đoạn trong một request riêng. Các model còn lại nhận được danh sách nhiều đoạn trong một request.

Vector từ các model khác nhau không so sánh được với nhau. Hãy dùng cùng một model cho cả lúc lập chỉ mục và lúc truy vấn.

Ví dụ​

from openai import OpenAI

client = OpenAI(api_key="<your_api_key>", base_url="https://api.thucchien.ai")

emb = client.embeddings.create(
  model="gemini-embedding-001",
  input=["Hà Nội là thủ đô của Việt Nam", "Thủ đô Việt Nam là thành phố nào?"],
)

print(len(emb.data), len(emb.data[0].embedding))  # 2 3072
curl https://api.thucchien.ai/embeddings \
-H "Authorization: Bearer <your_api_key>" \
-H "Content-Type: application/json" \
-d '{"model": "text-multilingual-embedding-002", "input": "xin chào"}'

Tham khảo​