Pinecone เพิ่ม Gemini Embedding 2 ในบริการค้นหาเอกสารแบบจัดการ

Pinecone ประกาศเมื่อวันที่ 12 พฤศจิกายน 2026 ว่า Documents API รองรับ Gemini Embedding 2 ของ Google แล้ว โดยสร้าง embedding เมื่อเขียนข้อมูลและเมื่อค้นหาผ่าน Vertex AI ตัวเลือกแบบจัดการนี้ช่วยให้ไม่ต้องมีบัญชี Google Cloud, คีย์ API หรือไปป์ไลน์สำหรับสร้าง embedding แยกต่างหาก และคิดค่าบริการ 0.20 ดอลลาร์ต่อ 1 ล้านโทเค็น

การผสานรวมนี้เปลี่ยนตำแหน่งที่ดำเนินการสร้าง embedding แอปพลิเคชันส่งข้อความธรรมดาไปยัง Pinecone ซึ่งเรียกใช้โมเดลทุกครั้งที่มีการเขียนข้อมูลหรือค้นหา และลองเรียกใหม่เมื่อการเรียกใช้ล้มเหลว การใช้งาน embedding จะรวมอยู่ในใบแจ้งหนี้ของ Pinecone แทนการเรียกเก็บเงินแยกต่างหากโดย Google นอกจากนี้ Pinecone ยังเขียนข้อความและ embedding ของเอกสารแต่ละฉบับพร้อมกัน ทำให้การค้นหาเชิงความหมายและการค้นหาข้อความแบบเต็มใช้เอกสารฉบับเดียวกัน Embedding คือเวกเตอร์ที่แทนความหมาย จึงทำให้ฟิลด์เดียวกันรองรับทั้งการค้นหาตามความคล้ายคลึงและการค้นหาด้วยคำสำคัญ โดยไม่ต้องให้แอปพลิเคชันสร้างเวกเตอร์ก่อน

การกำหนดค่าดัชนีและประเภทงาน

ลูกค้าเลือก gemini-embedding-2 ในการตั้งค่าของฟิลด์ข้อความ embed เมื่อสร้างดัชนี เอกสารประกอบโมเดลของ Pinecone ระบุว่าค่าเริ่มต้นคือ 3,072 มิติ โดยรองรับจำนวนเต็มตั้งแต่ 128 ถึง 3,072 และใช้โคไซน์เป็นเมตริกความคล้ายคลึงเพียงรายการเดียว โมเดลรองรับอินพุตได้สูงสุด 8,192 โทเค็น การเลือกโมเดล จำนวนมิติ และเมตริกจะกำหนดตายตัวตอนสร้างดัชนี จึงเป็นการตัดสินใจด้านโครงสร้างพื้นฐาน ไม่ใช่พารามิเตอร์ที่ทีมจะปรับได้หลังนำไปใช้งาน

ประเภทงานจะควบคุมวิธีที่โมเดลสร้าง embedding ของข้อความสำหรับเวิร์กโหลดแต่ละประเภท การค้นหาข้อมูลทั่วไปใช้ retrieval_document สำหรับข้อความที่จัดเก็บไว้ และ retrieval_query เป็นค่าเริ่มต้นสำหรับการค้นหา ส่วนงานจำแนกประเภท การจัดกลุ่ม และการวัดความคล้ายคลึงของประโยค จะปฏิบัติต่อข้อความที่จัดเก็บไว้และคำค้นหาแบบเดียวกันเมื่อนำมาเปรียบเทียบข้อความ ขณะที่การตั้งค่าคำค้นหาประเภทอื่นรองรับการตอบคำถาม การตรวจสอบข้อเท็จจริง และการค้นหาโค้ด การค้นหาแต่ละครั้งสามารถกำหนดประเภทงานของคำค้นหาให้ต่างจากค่าเริ่มต้นของฟิลด์ได้

Pinecone จะแทรกคำสั่งงานที่ Gemini ต้องใช้ให้โดยอัตโนมัติ ผู้ใช้จึงส่งข้อความธรรมดาได้โดยไม่ต้องสร้างพรอมป์ต์เฉพาะสำหรับโมเดล เอกสารประกอบการสร้าง embedding แบบผสานรวมยังกำหนดงานสำหรับการเขียนข้อมูลของฟิลด์ไว้เมื่อตอนสร้างดัชนีด้วย คำสั่งเหล่านี้เพิ่มโทเค็นประมาณ 6 หรือ 7 โทเค็นให้กับแต่ละค่าหรือคำค้นหา และนับรวมในขีดจำกัดอินพุตของโมเดล

ราคา แผนบริการ และข้อจำกัดปัจจุบัน

มีการคิดค่าบริการตามจำนวนโทเค็นที่ใช้สร้าง embedding ทั้งในการเขียนข้อมูลและการค้นหา ทำให้การใช้งานผูกกับกิจกรรมการจัดทำดัชนีและการค้นหา โดยปกติแผน Builder ของ Pinecone จะรวมโทเค็น Gemini Embedding 2 จำนวน 10 ล้านโทเค็นต่อเดือน และเพิ่มเป็นสองเท่าเป็น 20 ล้านโทเค็นจนถึงวันที่ 31 ธันวาคม 2026 โมเดลนี้ต้องใช้แผน Builder, Standard หรือ Enterprise และไม่พร้อมให้บริการในแผน Starter คำขอสร้าง embedding ใส่อินพุตได้สูงสุด 96 รายการ ส่วนคำค้นหาจำกัดไว้ที่ 10,000 ไบต์

การเปิดตัวระยะแรกจำกัดเฉพาะดัชนี Documents API แบบ serverless โดยไม่รวมดัชนี BYOC, แบบ pod และ Records API ประกาศของ Pinecone ระบุว่ารองรับการใช้งานผ่านคอนโซลและ Python SDK 10.3.0 ส่วนการรองรับ Node.js และ Go SDK จะตามมาในเร็ว ๆ นี้ สามารถแปลงดัชนีเวกเตอร์ที่มีอยู่ให้เป็นดัชนี Documents API ได้โดยไม่ต้องสร้าง embedding ใหม่ แต่ขณะนี้ยังไม่รองรับการเพิ่ม embedding แบบผสานรวมลงในดัชนีที่แปลงแล้ว ดังนั้นเวิร์กโฟลว์ปัจจุบันจึงใช้ดัชนี Documents API ที่สร้างขึ้นใหม่ นอกจากนี้ ประกาศยังระบุว่ามีแผนเพิ่มการรองรับข้อมูลหลายรูปแบบในการเปิดตัวครั้งต่อไป

แผนงานดังกล่าวชี้ให้เห็นถึงทิศทางที่ครอบคลุมมากกว่าการผสานรวมเฉพาะข้อความซึ่งพร้อมใช้งานตั้งแต่เปิดตัว ประกาศโมเดลของ Google เมื่อวันที่ 10 มีนาคม 2026อธิบายว่า Gemini Embedding 2 รองรับข้อมูลหลายรูปแบบโดยกำเนิด และแปลงข้อความ รูปภาพ วิดีโอ เสียง และเอกสารให้อยู่ในพื้นที่ embedding เดียวกัน บริการข้อความของ Pinecone รองรับมากกว่า 100 ภาษา การประมวลผลเป็นแบบทั่วโลก Google จึงสามารถจัดการคำขอแต่ละรายการในภูมิภาคใดก็ได้ของตน โดยไม่ได้รับประกันว่าจะใช้ภูมิภาคใดเป็นการเฉพาะ

สำหรับทีมที่ดูแลโครงสร้างพื้นฐานด้านการค้นหา การเปิดตัวนี้ย้ายการสร้าง embedding จากการผสานรวมกับผู้ให้บริการที่ต้องจัดการแยกต่างหาก เข้ามาเป็นส่วนหนึ่งของเส้นทางการทำงานของฐานข้อมูล ในระยะแรก บริการนี้เหมาะกับการติดตั้งระบบค้นหาข้อความใหม่บนแผนแบบชำระเงิน โดยขอบเขตการใช้งานถูกกำหนดด้วยการประมวลผลเฉพาะในระดับโลกและข้อจำกัดของดัชนีที่แปลงแล้ว