Pinecone Menambahkan Gemini Embedding 2 ke Pencarian Dokumen Terkelola

Pinecone mengumumkan pada 12 November 2026 bahwa Documents API kini mendukung Gemini Embedding 2 dari Google, yang membuat embedding saat penulisan dan kueri pencarian melalui Vertex AI. Opsi terkelola ini menghilangkan kebutuhan akan akun Google Cloud, kunci API, atau alur kerja embedding terpisah, dengan biaya $0.20 per 1 juta token.

Integrasi ini mengubah lokasi proses pembuatan embedding. Aplikasi mengirimkan teks biasa ke Pinecone, yang menjalankan model setiap kali ada penulisan dan kueri, serta mencoba kembali panggilan yang gagal. Penggunaan embedding digabungkan ke dalam tagihan Pinecone, alih-alih ditagihkan secara terpisah oleh Google. Pinecone juga menyimpan teks dan embedding setiap dokumen secara bersamaan, sehingga pencarian semantik dan pencarian teks lengkap menggunakan versi dokumen yang sama. Embedding adalah vektor yang merepresentasikan makna, sehingga kolom yang sama dapat mendukung pengambilan berbasis kemiripan dan pencarian kata kunci tanpa aplikasi harus membuat vektor terlebih dahulu.

Konfigurasi Indeks dan Jenis Tugas

Pelanggan memilih gemini-embedding-2 di dalam embed konfigurasi kolom teks saat membuat indeks. Dokumentasi model Pinecone mencantumkan 3.072 dimensi sebagai nilai bawaan, dengan dukungan untuk bilangan bulat apa pun dari 128 hingga 3.072, serta cosine sebagai satu-satunya metrik kemiripan. Model ini menerima hingga 8.192 token untuk setiap masukan. Model, jumlah dimensi, dan metrik ditetapkan saat indeks dibuat, sehingga menjadi keputusan infrastruktur, bukan parameter yang dapat disesuaikan tim setelah penerapan.

Jenis tugas mengatur cara model membuat embedding teks untuk berbagai beban kerja. Pengambilan umum menggunakan retrieval_document untuk teks tersimpan dan retrieval_query untuk pencarian secara bawaan. Tugas klasifikasi, pengelompokan, dan kemiripan kalimat memperlakukan teks tersimpan dan kueri dengan cara yang sama untuk perbandingan teks, sedangkan pengaturan kueri lainnya mencakup tanya jawab, verifikasi fakta, dan pengambilan kode. Satu pencarian dapat mengganti tugas kueri bawaan kolom tersebut.

Pinecone menyisipkan instruksi tugas yang diwajibkan Gemini secara otomatis, sehingga pengguna cukup mengirimkan teks biasa tanpa perlu menyusun prompt khusus untuk model. Dokumentasi embedding terintegrasi juga menetapkan tugas penulisan untuk suatu kolom saat indeks dibuat. Instruksi ini menambahkan sekitar enam atau tujuh token ke setiap nilai atau kueri dan diperhitungkan dalam batas masukan model.

Harga, Paket, dan Batasan Saat Ini

Biaya dikenakan untuk token embedding baik saat penulisan maupun kueri, sehingga pemakaian terkait dengan aktivitas pengindeksan dan pencarian. Paket Builder Pinecone biasanya mencakup 10 juta token Gemini Embedding 2 per bulan, dan jumlahnya dilipatgandakan menjadi 20 juta hingga 31 Desember 2026. Model ini memerlukan paket Builder, Standard, atau Enterprise dan tidak tersedia di paket Starter. Permintaan embedding dapat memuat hingga 96 masukan, sedangkan kueri pencarian dibatasi hingga 10.000 byte.

Rilis pertama hanya tersedia untuk indeks Documents API tanpa server, tidak termasuk indeks BYOC, berbasis pod, dan Records API. Pengumuman Pinecone mencantumkan dukungan untuk konsol dan Python SDK 10.3.0, sementara dukungan untuk Node.js dan Go SDK akan segera hadir. Indeks vektor yang sudah ada dapat dikonversi menjadi indeks Documents API tanpa membuat ulang embedding, tetapi penambahan embedding terintegrasi ke indeks yang telah dikonversi belum tersedia. Karena itu, alur kerja saat ini menggunakan indeks Documents API baru. Pengumuman tersebut juga menyebutkan bahwa dukungan multimodal direncanakan untuk rilis berikutnya.

Peta jalan tersebut menunjukkan pengembangan di luar integrasi teks saja yang tersedia saat peluncuran. Pengumuman model pada 10 Maret 2026 dari Google menjelaskan bahwa Gemini Embedding 2 bersifat multimodal secara bawaan, dengan memetakan teks, gambar, video, audio, dan dokumen ke dalam satu ruang embedding. Layanan teks Pinecone mendukung lebih dari 100 bahasa. Pemrosesan dilakukan secara global, sehingga Google dapat menangani setiap permintaan di wilayah mana pun yang tersedia tanpa menjamin wilayah tertentu.

Bagi tim yang mengoperasikan infrastruktur pencarian, rilis ini memindahkan embedding dari integrasi penyedia yang dikelola secara terpisah ke dalam jalur basis data. Layanan ini paling sesuai saat ini untuk penerapan pencarian teks baru dengan paket berbayar; pemrosesan yang hanya dilakukan secara global dan keterbatasan indeks yang telah dikonversi menentukan cakupan layanan awal.