Gemini Embedding 2 vs Gemini Embedding 001
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
Gemini Embedding 2 de Google et Gemini Embedding 001 de Google sont deux modèles d’IA de premier plan. Gemini Embedding 2 propose une fenêtre de contexte de 8.2K tokens au tarif de $0.20/$0.00 par million de tokens, tandis que Gemini Embedding 001 offre 2K tokens de contexte à $0.15/$0.00 par million de tokens. Découvrez ci-dessous le comparatif détaillé des performances et des coûts.
Changez et Comparez les Modèles
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
Gemini Embedding 2
Embeddings Vectoriels et RAGGemini Embedding 2 de Google est un modèle d’IA conçu pour la recherche vectorielle sémantique, l’indexation haute dimension et les pipelines RAG, offrant une fenêtre de contexte de 8K, une vitesse de 350 tokens/s, un indice d’intelligence
$0.20 / 1M
$0.00 / 1M
8.2K tokens
N/A
Gemini Embedding 001
Embeddings Vectoriels et RAGGemini Embedding 001 de Google est un modèle d’IA conçu pour la recherche vectorielle sémantique, l’indexation haute dimension et les pipelines RAG, offrant une fenêtre de contexte de 2K, une vitesse de 400 tokens/s, un indice d’intelligenc
$0.15 / 1M
$0.00 / 1M
2K tokens
N/A
Différences Clés en un Coup d’Œil
- Gemini Embedding 001 is 1.3x cheaper for API usage (input + output tokens combined).
- Gemini Embedding 2 has a larger context window (8K vs 2K tokens).
- Gemini Embedding 001 is faster at 400 tok/s vs 350 tok/s.
| Caractéristique | Gemini Embedding 2 | Gemini Embedding 001 |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 78 | 70 |
Provider | ||
Input Price Cost per million input tokens | $0.20 / 1M | $0.15 / 1M |
Output Price Cost per million output tokens | $0.00 / 1M | $0.00 / 1M |
Blended Price Weighted 7:2:1 cache:input:output per 1M | $0.04 / 1M | $0.03 / 1M |
Context Window Maximum input + output tokens | 8.2K tokens~12 A4 pages of text | 2K tokens~3 A4 pages of text |
Max Output Tokens Per single request | 4K | 4K |
Throughput Speed Tokens generated per second | 350 tok/s | 400 tok/s |
SWE-bench Verified Real-world software engineering | N/A | N/A |
Qui gagne où ?
At-a-glance decision frameworkEvaluations ongoing
Scores de Benchmarks Vérifiés
Official evaluation metrics verified by independent third-party research labs.
Crowdsourced human preference evaluation based on blind, head-to-head model battles.
Tokens emitted per second during active generation streaming.
Latence et Temps de Réponse
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
Simulateur Interactif de Coût de Tokens
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
Gemini Embedding 2 · Strengths & Key Advantages
- Fenêtre de contexte de 8K et capacité de sortie maximale de 4K tokens (Arena Elo 1340)
- Débit rapide de 350 tokens/seconde avec une latence au premier token (TTFT) de 200 ms
- Tarification API optimisée ($0.2/$0 par million de tokens) avec prise en charge du cache de prompts et des schémas JSON stricts
Considerations & Trade-offs
- Modèle cloud propriétaire ne permettant pas le téléchargement local des poids sur serveur isolé
- Sur les problèmes de recherche fondamentale très complexes, les modèles de raisonnement lourd restent supérieurs
Gemini Embedding 001 · Strengths & Key Advantages
- Fenêtre de contexte de 2K et capacité de sortie maximale de 4K tokens (Arena Elo 1280)
- Débit rapide de 400 tokens/seconde avec une latence au premier token (TTFT) de 150 ms
- Tarification API optimisée ($0.15/$0 par million de tokens) avec prise en charge du cache de prompts et des schémas JSON stricts
Considerations & Trade-offs
- Modèle cloud propriétaire ne permettant pas le téléchargement local des poids sur serveur isolé
- Sur les problèmes de recherche fondamentale très complexes, les modèles de raisonnement lourd restent supérieurs
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | Gemini Embedding 2 | Gemini Embedding 001 |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.08 | $0.05 |
Output Tokens / Task Tokens generated per task | 0K | 0K |
Reasoning Tokens / Task Thinking tokens burned per task | 0K | 0K |
Spécifications Techniques
Architecture, release timeline, capabilities, and modalities.
| Caractéristique | Gemini Embedding 2 | Gemini Embedding 001 |
|---|---|---|
| Official API Model ID (SDK) | models/gemini-embedding-2 | models/gemini-embedding-001 |
| API Protocol | Google Gemini API (generateContent) + OpenAI-Compatible SDK | Google Gemini API (generateContent) + OpenAI-Compatible SDK |
| Release Date | 2026-04 | 2025-05 |
| Knowledge Cutoff | February 2026 | March 2025 |
| Architecture | Unified multimodal joint-embedding transformer | Dense semantic text embedding transformer |
| Parameters | Confidential | Confidential |
| Enterprise Rate Limits (RPM / TPM) | 10,000 – 30,000 RPM (Tier 5 Enterprise) · 800,000 – 2,000,000 TPM | 10,000 – 30,000 RPM (Tier 5 Enterprise) · 800,000 – 2,000,000 TPM |
| Long-Context Tier (>128K/200K) | Flat rate ($0.2/1M in) across full 8K window | Flat rate ($0.15/1M in) across full 2K window |
| Prompt Cache Policy & TTL | Implicit + Explicit Context Caching at $0/1M with configurable TTL | Implicit + Explicit Context Caching at $0/1M with configurable TTL |
| Computer Use / GUI Agent | Supported (Screen coordinate grounding, browser & desktop GUI action loops) | Text-only completion (No GUI action loop) |
| MCP & Parallel Tool Calling | Prompt-based JSON extraction only | Prompt-based JSON extraction only |
| Web Search Grounding & Sandbox | Built-in Google Search Grounding + Managed Python Code Execution Sandbox | Built-in Google Search Grounding + Managed Python Code Execution Sandbox |
| Official Fine-Tuning Support | Vertex AI Supervised Adapter Tuning & Context Distillation | Vertex AI Supervised Adapter Tuning & Context Distillation |
| Multimodal Token Billing | Text BPE (~4 chars/token) · Vision (~258–765 tokens per image tile) · Audio (~25–32 tokens/sec) · Video (~258–300 tokens/sec) | Text BPE (~4 chars/token) |
| Quantization & Min GPU VRAM | Cloud-Hosted Proprietary (FP8 / BF16 Tensor Core Cluster) · Zero Local VRAM Required (100% Serverless Cloud API) | Cloud-Hosted Proprietary (FP8 / BF16 Tensor Core Cluster) · Zero Local VRAM Required (100% Serverless Cloud API) |
| Safety & Frontier Classification | Google DeepMind Frontier Safety Framework Verified | Google DeepMind Frontier Safety Framework Verified |
| Enterprise Compliance (ZDR/HIPAA/SOC2) | SOC2 Type II · GDPR · Zero Data Retention (ZDR) & HIPAA BAA Available on Enterprise Tier | SOC2 Type II · GDPR · Zero Data Retention (ZDR) & HIPAA BAA Available on Enterprise Tier |
| Input Modalities | text, vision, audio, video | text |
| Output Modalities | embedding | embedding |
Gemini Embedding 2 vs Gemini Embedding 001: Réponses Rapides (FAQ)
Which is more intelligent, Gemini Embedding 2 or Gemini Embedding 001?
Gemini Embedding 2 is more intelligent. It scores 78 compared with 70 on the composite Intelligence Index.
Which model is faster?
Gemini Embedding 001 is faster, generating 400 tokens per second compared with 350 tokens per second.
Which model is cheaper to run?
Gemini Embedding 001 is cheaper at $0.03 per 1M tokens blended, compared with $0.04 (7:2:1 cache:input:output ratio).
Which model has lower latency?
Gemini Embedding 001 has lower latency, with a time to first token of 0.15s compared with 0.20s.
Which model has a larger context window?
Gemini Embedding 2 has a larger context window, supporting 8.2K tokens compared with 2K tokens.
Verdict
Gemini Embedding 2 (Conçu pour la recherche vectorielle sémantique, l’indexation haute dimension et les pipelines RAG, l’intégration RAG et les pipelines de production évolutifs.) et Gemini Embedding 001 (Conçu pour la recherche vectorielle sémantique, l’indexation haute dimension et les pipelines RAG, l’intégration RAG et les pipelines de production évolutifs.) répondent à des besoins complémentaires : Gemini Embedding 2 domine sur les benchmarks de raisonnement et de programmation, Gemini Embedding 001 assure un débit supérieur et Gemini Embedding 001 offre le meilleur rapport coût-efficacité en production.
Questions fréquentes
Quel modèle choisir pour le code et le raisonnement, Gemini Embedding 2 ou Gemini Embedding 001 ?+
Sur l’indice d’intelligence composite et les tests de code, Gemini Embedding 2 prend l’avantage. Consultez les scores SWE-bench et GPQA ci-dessus pour plus de détails.
Quelle est la différence de prix API entre Gemini Embedding 2 et Gemini Embedding 001 ?+
Gemini Embedding 2 est facturé $0.20 / $0.00 par million de tokens (entrée/sortie) contre $0.15 / $0.00 pour Gemini Embedding 001. En coût pondéré, Gemini Embedding 001 est plus économique.
Quel modèle offre la plus grande fenêtre de contexte et la meilleure vitesse ?+
Gemini Embedding 2 prend en charge 8.2K tokens contre 2K tokens pour Gemini Embedding 001. Côté vitesse de génération, Gemini Embedding 001 est le plus rapide.
Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.
Related reading
- Gemini Embedding 001 vs Llama Nemotron Embed VL 1B v2 : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Gemini Embedding 2 vs Llama Nemotron Rerank VL 1B v2 : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-3.0 vs Aion-Mini : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-3.0 vs Gemini 3.6 Flash : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-Mini vs Laguna XS 2.1 : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aya Expanse 32B vs Llama 3.2 90B Vision : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
Les scores de benchmarks, tarifs par token et limites évoluent rapidement. Vérifiez toujours les spécifications actuelles sur la documentation officielle du fournisseur.
Sources: Documentation API officielle de Google et Google, fiches système et benchmarks indépendants (2026).