Introduzione all’integrazione Gemini Embedding 2
Pinecone ha comunicato il 12 novembre 2026 l’aggiornamento della sua Documents API, ora compatibile con il modello Gemini Embedding 2 di Google. Grazie a questa integrazione, le embedding vengono generate automaticamente sia al momento della scrittura dei documenti sia durante le query di ricerca, sfruttando Vertex AI. L’aspetto più rilevante è la rimozione della necessità di gestire un account Google Cloud separato, chiavi API o pipeline di embedding: tutto è gestito direttamente da Pinecone.
Il nuovo modello è fatturato a $0,20 per 1 milione di token, ma il consumo di token è consolidato nella fattura di Pinecone, evitando fatturazioni duplicate da parte di Google.
Come funziona il flusso di embedding
Le applicazioni inviano testo grezzo a Pinecone, che invoca il modello Gemini Embedding 2 su ogni operazione di write e su ogni query. In caso di errori, Pinecone provvede automaticamente al retry, garantendo affidabilità.
Ogni documento viene memorizzato con il suo testo e la relativa embedding nello stesso record, consentendo sia la ricerca semantica che quella full‑text con la medesima versione del documento. Le embedding sono vettori che rappresentano il significato del contenuto, così da supportare il recupero per somiglianza senza che l’applicazione debba generare i vettori in anticipo.
Configurazione dell’indice e tipi di task
- Per attivare il modello, gli utenti selezionano gemini-embedding-2 nel campo embed della configurazione del testo durante la creazione dell’indice.
- Il modello fornisce 3 072 dimensioni di default; è possibile scegliere qualsiasi valore intero compreso tra 128 e 3 072.
- Il solo metric di similarità supportato è il coseno.
- Il modello accetta fino a 8 192 token per input.
- Dimensione, modello e metric vengono fissati al momento della creazione dell’indice, diventando decisioni infrastrutturali non modificabili successivamente.
I task type determinano come il modello elabora il testo per diversi carichi di lavoro:
- retrieval_document: uso predefinito per il testo memorizzato.
- retrieval_query: uso predefinito per le query di ricerca.
- Per classificazione, clustering e similarity di frasi, il modello tratta testo memorizzato e query allo stesso modo.
- Altri task includono question answering, fact verification e code retrieval.
- È possibile sovrascrivere il task di default per una singola ricerca.
Gestione automatica delle istruzioni di task
Pinecone inserisce automaticamente le istruzioni di task richieste da Gemini, così gli utenti forniscono solo testo semplice senza dover costruire prompt specifici per il modello.
La documentazione integrated-embedding fissa anche il task di scrittura al momento della creazione dell’indice. Le istruzioni aggiungono circa sei‑sette token a ogni valore o query, contati nel limite di input del modello.
Pricing, piani e limiti attuali
- Il costo è calcolato sui token di embedding sia per le operazioni di write che per le query.
- Il piano Builder include 10 milioni di token al mese, raddoppiati a 20 milioni fino al 31 dicembre 2026.
- Gemini Embedding 2 è disponibile solo nei piani Builder, Standard ed Enterprise; non è offerto per il piano Starter.
- Una singola richiesta di embedding può contenere fino a 96 input; le query di ricerca sono limitate a 10 000 byte.
La prima versione è limitata agli indici serverless della Documents API, escludendo gli indici BYOC, pod‑based e quelli della Records API.
Il supporto è già disponibile nella console e nel SDK Python 10.3.0; i SDK Node.js e Go arriveranno a breve.
Conversione di indici esistenti e roadmap futura
Gli indici vettoriali esistenti possono essere convertiti in indici Documents API senza dover rigenerare le embedding. Tuttavia, l’aggiunta di embedding integrate a un indice convertito non è ancora supportata; pertanto, il flusso consigliato consiste nel creare nuovi indici Documents API.
La roadmap prevede il supporto multimodale in una versione successiva. Gemini Embedding 2, annunciato da Google il 10 marzo 2026, è nativamente multimodale, capace di mappare testo, immagini, video, audio e documenti in uno spazio di embedding unico.
Capacità linguistiche e distribuzione globale
Pinecone supporta più di 100 lingue nel suo servizio testuale. L’elaborazione avviene globalmente su infrastrutture Google, senza garantire una regione specifica per ogni richiesta.
Implicazioni per le infrastrutture di ricerca
Per i team che gestiscono l’infrastruttura di ricerca, il nuovo servizio sposta la generazione delle embedding dal livello di integrazione di terze parti al percorso del database. Questo semplifica l’architettura, riduce la latenza e centralizza la fatturazione.
L’applicazione immediata è la creazione di nuovi deployment di ricerca testuale su piani a pagamento, con processing globale e limitazioni legate agli indici convertiti. Le organizzazioni che richiedono funzionalità multimodali dovranno attendere il prossimo rilascio.
Conclusioni
L’integrazione di Gemini Embedding 2 nella Documents API di Pinecone rappresenta un passo significativo verso la semplificazione delle pipeline di ricerca semantica. Eliminando la necessità di gestire credenziali Google, chiavi API e pipeline separate, Pinecone consente alle aziende di concentrarsi sui propri dati, sfruttando al contempo la potenza di un modello multimodale di ultima generazione. Con piani di pricing chiari, supporto per oltre cento lingue e una roadmap che prevede l’estensione al multimodale, l’offerta è pronta a diventare uno standard per le nuove soluzioni di ricerca AI‑driven.