Gemini Embedding 001

让系统按含义寻找文本

Gemini Embedding 001 用于把文字映射成数值向量。系统可以比较向量之间的距离，找到表达不同但含义接近的内容，例如用户问“款项什么时候退回”，也能召回讲解“退款到账时间”的帮助文档。它适合知识库召回、相似内容推荐、去重和聚类。

它接收文本，返回向量，不直接生成问题的答案。构建问答助手时，先把文档切成合适片段并建立向量索引；查询时生成问题向量、检索相关片段，再由文本模型依据片段作答。保存片段原文、标题和位置，有助于提供可追溯的引用。

模型支持用 task_type 区分任务。一般检索中，查询使用 RETRIEVAL_QUERY，待检索文档使用 RETRIEVAL_DOCUMENT；比较两段文字是否相近时，可以选择 SEMANTIC_SIMILARITY。任务设置应与用途一致，避免把不同目标生成的向量直接混用。

单次文本输入上限为 2,048 Token，长文应按语义切分。输出维度可在 128 至 3,072 之间选择，常用 768、1,536 或 3,072。较小维度节省存储与检索计算，可用真实查询样本比较召回效果。对于本模型的非 3,072 维结果，应进行归一化，再按一致的相似度方式建索引与查询。

检索系统常问

换模型后旧向量还能用吗？ 不应直接混在同一相似度空间中，应重新生成文档向量，并保持查询使用同样设置。

相似度高就一定是正确答案吗？ 它表示语义接近；还要检查业务对象、日期和文档有效性，必要时结合关键词与重排。

查询与文档分别生成向量

入库文本示例：

标题：发票抬头更正
正文：申请开票后发现抬头有误，可以在订单详情提交更正申请，并填写正确的抬头和税号。

为该片段设置 RETRIEVAL_DOCUMENT；用户查询“发票公司名称写错了怎么改”设置 RETRIEVAL_QUERY。两者使用相同模型和输出维度，生成后按索引约定计算相似度。

长文按主题切块，保存标题与段落位置；选择较小维度时完成归一化。上线前用真实问题检查正确文档是否进入候选，调整切块、召回数量和后续重排。