벡터 표현 생성을 위한 Google의 텍스트 임베딩 모델입니다. 의미 검색, 클러스터링, 유사도 작업에 최적화되어 있습니다.
콘솔의 Playground에서 별도 코드 없이 이 모델을 즉시 테스트할 수 있어요
이 모델의 사용법을 Claude, ChatGPT 등에 복사
| 토큰 종류 | 크레딧 | 달러 환산 |
|---|---|---|
| 입력 토큰 | 300 | $0.20 |
| 출력 토큰 | 0 | $0.00 |
* 1,500 크레딧 ≈ $1 (실제 요금은 사용량에 따라 달라질 수 있습니다)
curl -X POST "https://api.core.today/llm/gemini/v1beta/openai/embeddings" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer cdt_your_api_key" \
-d '{
"model": "gemini-embedding-001",
"input": "What is the meaning of life?"
}'| 파라미터 | 타입 | 필수 | 기본값 | 설명 |
|---|---|---|---|---|
input | string | array | Yes | - | 임베딩할 텍스트 또는 텍스트 배열. 항목당 최대 2,048 입력 토큰. |
model | string | Yes | gemini-embedding-001 | 모델 식별자. |
dimensions | integer | No | 3072 | 임베딩 출력 차원. 범위: 128–3,072. 권장값: 768, 1,536, 3,072. 3,072 이외의 차원은 L2 정규화를 직접 적용해야 합니다. |
task_type | string | No | - | 다운스트림 작업에 맞춰 임베딩을 최적화합니다. SEMANTIC_SIMILARITY, CLASSIFICATION, CLUSTERING, RETRIEVAL_DOCUMENT, RETRIEVAL_QUERY, CODE_RETRIEVAL_QUERY, QUESTION_ANSWERING, FACT_VERIFICATION 중 선택. SEMANTIC_SIMILARITYCLASSIFICATIONCLUSTERINGRETRIEVAL_DOCUMENTRETRIEVAL_QUERYCODE_RETRIEVAL_QUERYQUESTION_ANSWERINGFACT_VERIFICATION |
의미 검색을 위한 임베딩 생성
curl -X POST "https://api.core.today/llm/gemini/v1beta/openai/embeddings" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer cdt_your_api_key" \
-d '{
"model": "gemini-embedding-001",
"input": "What is the meaning of life?"
}'