Pinecone incorpora Gemini Embedding 2 a la búsqueda gestionada de documentos

Pinecone anunció el 12 de noviembre de 2026 que su API Documents ahora admite Gemini Embedding 2 de Google y genera representaciones vectoriales durante las operaciones de escritura y las consultas de búsqueda a través de Vertex AI. La opción gestionada elimina la necesidad de tener una cuenta independiente de Google Cloud, una clave de API o un proceso de generación de representaciones vectoriales, y cobra 0,20 $ por cada millón de tokens.

La integración cambia dónde se realiza el trabajo de generación de representaciones vectoriales. Las aplicaciones envían texto sin formato a Pinecone, que invoca el modelo en cada operación de escritura y consulta, y vuelve a intentar las llamadas fallidas. El uso de representaciones vectoriales se consolida en la factura de Pinecone, en lugar de facturarse por separado a través de Google. Pinecone también almacena juntos el texto y la representación vectorial de cada documento, de modo que la búsqueda semántica y la búsqueda de texto completo utilizan la misma versión del documento. Las representaciones vectoriales son vectores que expresan significado y permiten que un mismo campo admita tanto la recuperación basada en similitud como la búsqueda por palabras clave, sin que la aplicación tenga que generar primero los vectores.

Configuración del índice y tipos de tareas

Los clientes seleccionan gemini-embedding-2 en un campo de texto embed la configuración al crear un índice. La documentación del modelo de Pinecone indica que la dimensión predeterminada es 3.072; se admite cualquier número entero entre 128 y 3.072, y el coseno es la única métrica de similitud. El modelo admite hasta 8.192 tokens por entrada. El modelo, la dimensión y la métrica se fijan al crear el índice, por lo que son decisiones de infraestructura y no parámetros que los equipos puedan modificar después de la implementación.

La recuperación general utiliza retrieval_document para el texto almacenado y retrieval_query para las búsquedas de forma predeterminada. En las tareas de clasificación, agrupamiento y similitud entre oraciones, el texto almacenado y las consultas se tratan por igual para compararlos, mientras que otras opciones de consulta abarcan la respuesta a preguntas, la verificación de hechos y la recuperación de código. Una sola búsqueda puede sustituir la tarea de consulta predeterminada del campo.

Pinecone inserta automáticamente la instrucción de tarea que requiere Gemini, por lo que los usuarios envían texto sin formato en lugar de elaborar indicaciones específicas para el modelo. La documentación sobre la representación vectorial integrada también fija la tarea de escritura de un campo al crear el índice. Estas instrucciones añaden unos seis o siete tokens a cada valor o consulta y cuentan para el límite de entrada del modelo.

Precios, planes y límites actuales

Se cobran los tokens utilizados para generar representaciones vectoriales tanto en las operaciones de escritura como en las consultas, de modo que el consumo está vinculado a la actividad de indexación y búsqueda. El plan Builder de Pinecone suele incluir 10 millones de tokens de Gemini Embedding 2 al mes; esa cantidad se duplica, hasta los 20 millones, hasta el 31 de diciembre de 2026. El modelo requiere un plan Builder, Standard o Enterprise y no está disponible en Starter. Las solicitudes de generación de representaciones vectoriales pueden incluir hasta 96 entradas, mientras que una consulta de búsqueda tiene un límite de 10.000 bytes.

La primera versión se limita a los índices sin servidor de la API Documents; quedan excluidos los índices BYOC, los basados en pods y los de la API Records. El anuncio de Pinecone indica que hay compatibilidad con la consola y con la versión 10.3.0 del SDK de Python, y que la compatibilidad con los SDK de Node.js y Go llegará pronto. Los índices vectoriales existentes se pueden convertir en índices de la API Documents sin volver a generar las representaciones vectoriales, pero aún no es posible añadir la generación integrada de representaciones vectoriales a un índice convertido; por eso, el flujo de trabajo actual utiliza índices nuevos de la API Documents. El anuncio también señala que la compatibilidad multimodal está prevista para una versión posterior.

Esta hoja de ruta apunta más allá de la integración exclusivamente textual disponible en el lanzamiento. El anuncio del modelo de Google del 10 de marzo de 2026 describe Gemini Embedding 2 como un modelo nativamente multimodal que asigna texto, imágenes, video, audio y documentos a un único espacio vectorial. El servicio de texto de Pinecone admite más de 100 idiomas. El procesamiento es global, por lo que Google puede gestionar cada solicitud en cualquiera de sus regiones, sin garantizar una región determinada.

Para los equipos que gestionan infraestructura de búsqueda, esta versión traslada la generación de representaciones vectoriales de una integración con un proveedor administrada por separado a la ruta de la base de datos. Su aplicación inmediata es en nuevas implementaciones de búsqueda de texto con planes de pago; el procesamiento exclusivamente global y la limitación relativa a los índices convertidos definen el alcance del servicio inicial.