Gemini Embedding 2という検索語で情報を探している人向けに結論から言うと、Google公式ドキュメントで現在確認できるAPI上のモデル名は gemini-embedding-001 です。Vertex AIのText embeddings APIでは、このモデルが英語・多言語・コードのタスクを1つにまとめた主力モデルとして案内されており、RAGの検索精度改善やベクトルDBの再設計を考えるときの有力候補になります。
この記事では『Gemini Embedding 2』という検索キーワードを使いつつ、実装判断では公式名称と仕様に合わせて整理します。特に確認しておきたいのは、最大3072次元、1入力あたり2048トークン、リクエスト全体の上限、料金、そして output_dimensionality による次元圧縮です。ここを理解すると、精度とコストのバランスをかなり設計しやすくなります。
Gemini Embedding 2で最初に押さえるべき前提
Google Cloudのモデルリファレンスでは、gemini-embedding-001 は『英語・多言語・コードをまたいで state-of-the-art performance を目指すモデル』として説明されています。従来の text-embedding-005 と text-multilingual-embedding-002 を用途ごとに使い分けていたチームでも、まず1モデルで評価を始めやすいのが実務上の利点です。日本語の社内文書、英語のFAQ、コード断片が混ざるRAGでは、この統一感が効きます。
また、Googleは埋め込みベクトルが正規化されていると案内しており、cosine similarity、dot product、Euclidean distance で同じ順位付けを得られるとしています。つまりベクトルDB側の評価軸を変えても大きく意味が崩れにくく、既存検索基盤の移行検証を進めやすいです。『似ている文書が上位に出ない』という問題は、モデル選定だけでなく距離計算の実装差でも起きるので、この特性は地味に重要です。
RAG精度を改善しやすい3つの実装ポイント
1つ目は、チャンク設計を埋め込みモデルの上限に合わせることです。公式ドキュメントでは gemini-embedding-001 の最大シーケンス長は2048トークン、リクエスト全体は最大20,000トークン、1回のリクエストで最大250入力テキストまでとされています。長すぎるチャンクは意味がぼやけ、短すぎるチャンクは文脈が欠けます。まずは見出し込みで300〜800トークン程度のチャンクを作り、検索ヒット率と回答の引用精度を比較するのが堅実です。
2つ目は output_dimensionality の調整です。gemini-embedding-001 は最大3072次元ですが、常にフル次元が正解とは限りません。検索対象が数万件規模で、まずは運用コストとレイテンシを抑えたいなら、低めの次元で試して評価セットを回す価値があります。保存コストやANN検索の速度を下げつつ、必要十分な再現率を保てるケースがあるからです。精度検証なしに3072固定で始めるより、候補次元を2〜3パターン比較したほうが失敗しにくいです。
3つ目は、検索用途に合わせて評価セットを先に作ることです。例えば社内ナレッジ検索なら『社内略語を含む質問』『日本語と英語が混ざる質問』『コード断片を含む質問』を10〜20件でもいいので作り、旧モデルとの差分を見ます。単にベンチマーク名だけで選ぶより、自社データで top-k のヒット率や最終回答の引用正確性を見るほうが、RAGの品質改善には直結します。
Gemini Embedding 2の料金と選び方
Google Cloudの pricing page では、Gemini Embedding の入力料金は Global リージョンで 1,000 input tokens あたり online requests が $0.00015、batch requests が $0.00012、出力は no charge と案内されています。RAGでは文書登録時に大量の埋め込みを作るので、初回インデックスや定期再計算を batch で回せるかどうかでコスト差が出やすいです。日次更新が多いナレッジベースなら、更新頻度に応じて online と batch を分ける設計が現実的です。
選定の目安としては、まず『多言語やコードを含むか』『既存ベクトルDBの保存コストが厳しいか』『再ランクや回答生成まで含めた全体レイテンシをどこまで許容できるか』の3点を確認してください。日本語中心でも、英語ドキュメントやGitHub Issueが混ざる企業データでは gemini-embedding-001 の統合型の強みが出やすいです。一方で、どのモデルでもチャンク、メタデータ、再ランク設計が雑だと精度は伸びません。モデル変更だけで解決する前提は危険です。
導入前のチェックリスト
導入前は、①既存検索ログから代表質問を集める、②チャンク長と次元数を複数パターンで比較する、③top-kだけでなく最終回答の正確性まで見る、④更新バッチの運用コストを見積もる、の順で進めるのがおすすめです。Gemini Embedding 2という言葉だけを追うより、公式名称・入力制限・料金・評価方法を揃えて検証したほうが、RAGの改善はずっと再現性が高くなります。
AI検索やRAG基盤の設計・改善を相談したい場合は お問い合わせフォーム からご連絡ください。