Pinecone integra Gemini Embedding 2 nella ricerca documentale gestita

Pinecone ha annunciato il 12 novembre 2026 che la sua Documents API supporta ora Gemini Embedding 2 di Google, generando embedding durante le operazioni di scrittura e le query di ricerca tramite Vertex AI. Questa soluzione gestita elimina la necessità di un account Google Cloud separato, di una chiave API o di una pipeline per la generazione degli embedding e costa 0,20 $ per 1 milione di token.

L’integrazione cambia il punto in cui viene eseguita la generazione degli embedding. Le applicazioni inviano testo semplice a Pinecone, che richiama il modello a ogni operazione di scrittura e a ogni query e riprova le chiamate non riuscite. L’utilizzo degli embedding viene addebitato in un’unica voce sulla fattura di Pinecone, anziché essere fatturato separatamente da Google. Pinecone salva inoltre insieme il testo di ciascun documento e il relativo embedding, così la ricerca semantica e quella full-text utilizzano la stessa versione del documento. Gli embedding sono vettori che rappresentano il significato e consentono allo stesso campo di supportare il recupero basato sulla somiglianza e la ricerca per parole chiave, senza che l’applicazione debba prima generare vettori.

Configurazione dell’indice e tipi di attività

I clienti selezionano gemini-embedding-2 in un campo di testo embed come configurazione durante la creazione di un indice. La documentazione del modello di Pinecone indica 3.072 dimensioni per impostazione predefinita e supporta qualsiasi numero intero compreso tra 128 e 3.072; la coseno è l’unica metrica di somiglianza disponibile. Il modello accetta fino a 8.192 token per input. Modello, dimensionalità e metrica vengono fissati al momento della creazione dell’indice: sono quindi decisioni infrastrutturali, non parametri che i team possono modificare dopo la distribuzione.

I tipi di attività determinano il modo in cui il modello genera gli embedding del testo per i diversi carichi di lavoro. Per il recupero generico si utilizza retrieval_document per il testo archiviato e retrieval_query per le ricerche, per impostazione predefinita. Le attività di classificazione, clustering e somiglianza tra frasi trattano allo stesso modo il testo archiviato e le query nei confronti testuali, mentre altre impostazioni delle query riguardano la risposta a domande, la verifica dei fatti e il recupero del codice. Una singola ricerca può ignorare l’attività predefinita del campo per le query.

Pinecone inserisce automaticamente l’istruzione richiesta da Gemini per l’attività, così gli utenti inviano testo semplice senza dover creare prompt specifici per il modello. La documentazione sull’embedding integrato consente inoltre di fissare l’attività di scrittura di un campo al momento della creazione dell’indice. Queste istruzioni aggiungono circa sei o sette token a ogni valore o query e rientrano nel limite di input del modello.

Prezzi, piani e limiti attuali

Gli addebiti si applicano ai token usati per generare embedding sia durante le operazioni di scrittura sia durante le query, collegando il consumo alle attività di indicizzazione e ricerca. Il piano Builder di Pinecone include normalmente 10 milioni di token Gemini Embedding 2 al mese, una soglia raddoppiata a 20 milioni fino al 31 dicembre 2026. Il modello richiede un piano Builder, Standard o Enterprise e non è disponibile con Starter. Le richieste di generazione degli embedding possono contenere fino a 96 input, mentre una query di ricerca è limitata a 10.000 byte.

La prima versione è limitata agli indici serverless della Documents API ed esclude gli indici BYOC, basati su pod e della Records API. L’annuncio di Pinecone indica il supporto per la console e per l’SDK Python 10.3.0, mentre quello per gli SDK Node.js e Go è in arrivo. Gli indici vettoriali esistenti possono essere convertiti in indici Documents API senza generare di nuovo gli embedding, ma non è ancora possibile aggiungere l’embedding integrato a un indice convertito; perciò, al momento, il flusso di lavoro prevede l’uso di nuovi indici Documents API. L’annuncio indica inoltre che il supporto multimodale è previsto per una versione successiva.

Questa tabella di marcia guarda oltre l’integrazione limitata al testo disponibile al lancio. Nell’annuncio del modello del 10 marzo 2026, Google descrive Gemini Embedding 2 come un modello nativamente multimodale, capace di mappare testo, immagini, video, audio e documenti in un unico spazio di embedding. Il servizio testuale di Pinecone supporta più di 100 lingue. L’elaborazione avviene a livello globale, quindi Google può gestire ogni richiesta in una qualsiasi delle proprie regioni, senza garantire una regione specifica.

Per i team che gestiscono infrastrutture di ricerca, questa versione sposta la generazione degli embedding da un’integrazione con un fornitore gestita separatamente al percorso del database. Nell’immediato, è adatta ai nuovi sistemi di ricerca testuale con piani a pagamento; l’elaborazione limitata a livello globale e il vincolo relativo agli indici convertiti definiscono l’ambito del servizio iniziale.