DeepSeek Vision and Grok Imagine models are now live on CometAPI โ†’

Blog

Blog CometAPI

Satu API. Setiap Model AI Terkemuka.

Kemas kini model, panduan API, penanda aras dan pandangan praktikal untuk membina lebih pantas dengan CometAPI.

Gemini Embedding 2 ialah model embedding dalam keluarga Gemini yang menukar kandungan (terutamanya teks) kepada vektor berketumpatan tinggi yang memelihara makna semantik. Vektor ini membolehkan item yang berkaitan secara makna berada berdekatan di ruang vektor, memudahkan carian dan pemadanan yang โ€œfaham konteksโ€. Kegunaan biasa: - Carian semantik dan pengambilan dokumen (RAG) - Pengelompokan, pengelasan, pemadanan dan penyahpenduaan - Re-ranking hasil carian - Cadangan berdasarkan persamaan - Analitik kesamaan dan pengesanan anomali Ciri utama: - Menghasilkan vektor panjang tetap (array nombor nyata) untuk disimpan/diindeks dalam pangkalan data vektor - Direka untuk kesepadanan semantik merentas pertanyaan dan dokumen - Tidak menjana teks; hanya menghasilkan perwakilan vektor untuk digunakan dalam aplikasi seperti carian, RAG, dan rekomendasi
New

Gemini Embedding 2 ialah model embedding dalam keluarga Gemini yang menukar kandungan (terutamanya teks) kepada vektor berketumpatan tinggi yang memelihara makna semantik. Vektor ini membolehkan item yang berkaitan secara makna berada berdekatan di ruang vektor, memudahkan carian dan pemadanan yang โ€œfaham konteksโ€. Kegunaan biasa: - Carian semantik dan pengambilan dokumen (RAG) - Pengelompokan, pengelasan, pemadanan dan penyahpenduaan - Re-ranking hasil carian - Cadangan berdasarkan persamaan - Analitik kesamaan dan pengesanan anomali Ciri utama: - Menghasilkan vektor panjang tetap (array nombor nyata) untuk disimpan/diindeks dalam pangkalan data vektor - Direka untuk kesepadanan semantik merentas pertanyaan dan dokumen - Tidak menjana teks; hanya menghasilkan perwakilan vektor untuk digunakan dalam aplikasi seperti carian, RAG, dan rekomendasi

Gemini Embedding 2 ialah model embedding multimodal secara natif pertama daripada Google yang memetakan teks, imej, audio, video dan PDF ke dalam satu ruang vektor semantik berdimensi 3,072 (dengan saiz output yang boleh dikonfigurasi). Ia memperkenalkan Matryoshka Representation Learning untuk menyediakan embedding bersarang / terpotong, prestasi berbilang bahasa yang dipertingkat (100+ bahasa), dan kawalan yang dioptimumkan untuk embedding khusus tugas (cth., task:search, task:code).

A
Anna
Cara menggunakan Gemini 3.1 pro API
Guide

Cara menggunakan Gemini 3.1 pro API

Panduan praktikal berorientasikan kod untuk Gemini 3.1 Pro โ€” apa itu, cara memanggilnya (termasuk melalui CometAPI), kawalan multimodal dan โ€œtahap pemikiranโ€, pemanggilan fungsi/penggunaan alat, petua vibe-coding, serta integrasi dengan GitHub Copilot, VS Code, Gemini CLI, dan Google Antigravity. Gemini 3.1 pro sedang mengembangkan sempadan model multimodal berskala besar dengan naratif pembangun yang terfokus: tetingkap konteks yang lebih besar, mod โ€œpemikiranโ€ yang boleh dikonfigurasi, pemanggilan alat dan fungsi yang dipertingkat, serta sokongan eksplisit untuk aliran kerja beragen.

A
Anna
Gemini API: apakah saiz fail dan kaedah input yang disokong pada masa ini?
Technology

Gemini API: apakah saiz fail dan kaedah input yang disokong pada masa ini?

Pada 12 Januari 2026, Google menerbitkan kemas kini pembangun untuk Gemini API yang mengubah cara anda memasukkan fail ke dalam model serta saiz maksimum fail yang dibenarkan. Ringkasnya: Gemini kini mengambil fail secara terus daripada pautan luaran dan storan awan (jadi anda tidak semestinya perlu memuat naiknya), dan had saiz fail inline telah dinaikkan dengan ketara. Kemas kini ini mengurangkan geseran untuk aplikasi dunia sebenar yang sudah menyimpan media atau dokumen dalam bucket awan, dan menjadikan aliran kerja prototaip jangka pendek serta produksi lebih pantas dan lebih murah.

A
Anna