Pinecone legger til Gemini Embedding 2 i administrert dokumentsøk

Pinecone kunngjorde 12. november 2026 at Documents API nå støtter Google Gemini Embedding 2, som oppretter embedding-vektorer ved skriving og søk via Vertex AI. Den administrerte løsningen fjerner behovet for en egen Google Cloud-konto, API-nøkkel eller embedding-pipeline og koster 0,20 dollar per 1 million tokens.

Integrasjonen endrer hvor arbeidet med embedding-vektorene utføres. Applikasjoner sender ren tekst til Pinecone, som kaller modellen ved hver skriveoperasjon og hvert søk, og prøver på nytt hvis et kall mislykkes. Kostnadene for embedding samles på Pinecone-fakturaen i stedet for å faktureres separat av Google. Pinecone lagrer også teksten og embedding-vektoren for hvert dokument sammen, slik at semantisk søk og fulltekstsøk bruker samme versjon av dokumentet. Embedding-vektorer representerer mening, slik at det samme feltet kan brukes til både likhetsbasert gjenfinning og søk etter nøkkelord uten at applikasjonen først må generere vektorer.

Indekskonfigurasjon og oppgavetyper

Kundene velger gemini-embedding-2 i et tekstfelts embed konfigurasjon når de oppretter en indeks. Pinecones modelldokumentasjon oppgir 3 072 dimensjoner som standard, og at alle heltall fra 128 til 3 072 støttes, med cosinus som eneste likhetsmål. Modellen godtar opptil 8 192 tokens per inndata. Modell, dimensjon og målemetode fastsettes når indeksen opprettes, og blir dermed infrastrukturvalg snarere enn parametere teamene kan justere etter utrulling.

Oppgavetyper styrer hvordan modellen lager embedding-vektorer av tekst for ulike arbeidsbelastninger. Generell gjenfinning bruker retrieval_document for lagret tekst og retrieval_query for søk som standard. Klassifisering, klyngedannelse og oppgaver for setningslikhet behandler lagret tekst og søk på samme måte ved sammenligning av tekst, mens andre søkeinnstillinger dekker spørsmålsbesvarelse, faktaverifisering og kodegjenfinning. Ett enkelt søk kan overstyre feltets standardoppgave for søk.

Pinecone setter automatisk inn Gemini-instruksjonen som kreves for oppgaven, slik at brukerne sender inn ren tekst i stedet for å utforme modellspesifikke ledetekster. Dokumentasjonen for integrert embedding fastsetter også skriveoppgaven for et felt når indeksen opprettes. Disse instruksjonene legger til omtrent seks eller sju tokens for hver verdi eller hvert søk, og teller med i modellens inndatagrense.

Priser, abonnementer og gjeldende begrensninger

Det belastes for embedding-tokens både ved skriving og søk, slik at forbruket følger indekserings- og søkeaktiviteten. Pinecones Builder-abonnement inkluderer vanligvis 10 millioner Gemini Embedding 2-tokens per måned, og dette dobles til 20 millioner fram til 31. desember 2026. Modellen krever et Builder-, Standard- eller Enterprise-abonnement og er ikke tilgjengelig med Starter. Embedding-forespørsler kan inneholde opptil 96 inndata, mens en søkeforespørsel er begrenset til 10 000 byte.

Den første versjonen er begrenset til serverløse Documents API-indekser og omfatter ikke BYOC-, podbaserte eller Records API-indekser. Pinecones kunngjøring oppgir støtte i konsollen og Python SDK 10.3.0, og varsler at støtte for Node.js- og Go-SDK-er kommer snart. Eksisterende vektorindekser kan konverteres til Documents API-indekser uten å generere embedding-vektorer på nytt, men det er ennå ikke mulig å legge til integrert embedding i en konvertert indeks. Den gjeldende arbeidsflyten bruker derfor nye Documents API-indekser. Kunngjøringen oppgir også at støtte for multimodalt innhold er planlagt i en senere versjon.

Denne veikartplanen peker utover tekstintegrasjonen som er tilgjengelig ved lansering. Googles modellkunngjøring 10. mars 2026 beskriver Gemini Embedding 2 som multimodal fra grunnen av, med tekst, bilder, video, lyd og dokumenter plassert i ett felles embedding-rom. Pinecones teksttjeneste støtter mer enn 100 språk. Behandlingen foregår globalt, så Google kan håndtere hver forespørsel i et hvilket som helst av sine regioner uten å garantere en bestemt region.

For team som drifter søkeinfrastruktur, flytter denne lanseringen embedding fra en separat administrert leverandørintegrasjon inn i databaseløpet. Løsningen passer umiddelbart for nye tekstbaserte søkeløsninger på betalte abonnementer, mens global behandling alene og begrensningen for konverterte indekser avgrenser omfanget av den første tjenesten.