Pinecone ha svelato, il 12 novembre 2026, che la sua API Documents è ora in grado di utilizzare il modello Gemini Embedding 2 di Google per creare rappresentazioni vettoriali durante le operazioni di scrittura e le query di ricerca. Con questo aggiornamento, le applicazioni possono inviare semplicemente testo in chiaro a Pinecone, che si occupa di chiamare il modello, di gestire eventuali errori di invocazione e di restituire il risultato.
Vantaggi della soluzione gestita
La principale innovazione è la gestione semplificata della generazione di vettori: non è più necessario possedere un account Google Cloud separato, gestire una chiave API o eseguire il token‑to‑vector in autonomia. Tutto ciò è ora centralizzato nella fattura di Pinecone, con un costo di 0,20 USD per un milione di token.
Inoltre, Pinecone memorizza insieme al testo la rappresentazione vettoriale di ogni documento. Ciò garantisce che le ricerche semantiche e quelle basate sul testo completo utilizzino sempre la stessa versione del documento, evitando discrepanze che si verificano quando i vettori vengono generati separatamente.
Consolidamento dei costi e dei dati
Con la nuova architettura, tutti i costi relativi alla creazione e all’utilizzo dei vettori vengono fatturati in un’unica posizione. Prima di questo aggiornamento, le spese per la generazione dei vettori erano addebitate separatamente da Google Cloud, il che rendeva più difficile tracciare il consumo complessivo.
Inoltre, la memorizzazione combinata di testo e vettori consente di sfruttare sia la ricerca basata su similitudine che la ricerca testuale a parole chiave senza dover generare i vettori in anticipo. Questo riduce il tempo di latenza e la complessità degli sviluppatori.
Configurazione dell’indice e parametri di task
Per utilizzare Gemini Embedding 2, i clienti devono impostare il campo di testo embed con il valore gemini-embedding-2 durante la creazione di un indice. La documentazione di Pinecone indica che la dimensione predefinita dell’output è 3.072 e che è possibile scegliere qualsiasi valore intero compreso tra 128 e 3.072. L’unica metrica di similarità disponibile è il coseno.
Il modello supporta fino a 8.192 token per input. Una volta impostato, la dimensione, il modello e la metrica rimangono fissi: non possono essere modificati in fase di esecuzione. Questo rende tali scelte parte dell’architettura di infrastruttura, non dei parametri operativi delle squadre di sviluppo.
Tipi di attività supportate
L’API utilizza due modalità di recupero predefinite:
retrieval_documentper estrarre il testo memorizzato.retrieval_queryper eseguire le ricerche.
Per attività come classificazione, clustering e similarità di frasi, il testo memorizzato e le query vengono trattati in modo identico per confrontare direttamente le due parti. Altri tipi di query includono risposte a domande, verifiche di fatti e recupero di codice.
In pratica, una singola ricerca può sostituire la query predefinita del campo, semplificando la gestione delle operazioni di ricerca.
Generazione automatica e costi per token
Pinecone aggiunge automaticamente l’istruzione di task richiesta da Gemini. Gli utenti devono quindi inviare solo testo in chiaro; non è necessario costruire prompt complessi per il modello. Tuttavia, le istruzioni di task aggiungono tra sei e sette token a ogni valore o query, e questi token sono inclusi nel limite di token di input del modello.
Il consumo di token è misurato sia per le operazioni di scrittura (quando i documenti vengono indicizzati) sia per le query di ricerca. Il piano Builder di Pinecone include 10 milioni di token di Gemini Embedding 2 al mese; fino al 31 dicembre 2026 questo limite si raddoppierà a 20 milioni.
Il modello è disponibile solo nei piani Builder, Standard ed Enterprise; non è supportato nel piano Starter. Le richieste di generazione di vettori possono contenere fino a 96 record, mentre una singola query di ricerca è limitata a 10.000 byte.
Compatibilità e limitazioni correnti
All’avvio, l’integrazione è disponibile solo per gli indici serverless di API Documents. Sono esclusi i casi di BYOC, gli indici basati su pod e quelli di API Records. Pinecone garantisce compatibilità con la console e la versione 10.3.0 del SDK Python; la compatibilità con gli SDK Node.js e Go è prevista a breve.
Gli indici vettoriali esistenti possono essere convertiti in indici di API Documents senza dover rigenerare i vettori, ma non è ancora possibile abilitare la generazione vettoriale integrata su un indice convertito. Per ora, l’operazione più semplice è creare un nuovo indice di API Documents.
Prospettive future
Il piano di sviluppo include una supporto multimodale per una versione successiva. Gemini Embedding 2, presentato da Google il 10 marzo 2026, è un modello nativamente multimodale che mappa testo, immagini, video, audio e documenti in uno spazio vettoriale unico.
La capacità testuale di Pinecone supporta oltre 100 lingue, mentre la gestione globale delle richieste permette a Google di processare ogni invocazione in qualsiasi regione, senza vincolo a una regione specifica.
Per le squadre che gestiscono l’infrastruttura di ricerca, questo aggiornamento sposta la generazione di vettori dalla dipendenza di un provider esterno a un’operazione di database completamente gestita. Il risultato immediato è una implementazione più semplice e più economica per nuovi progetti di ricerca testuale con pagamenti a consumo, anche se l’assenza di una funzionalità di conversione per gli indici esistenti e la natura esclusivamente globale del servizio definiscono i limiti del lancio iniziale.
Conclusioni
Pinecone, con l’integrazione di Gemini Embedding 2, offre un modello più snello, centralizzato e scalabile per la ricerca di documenti. Eliminando la gestione separata di chiavi API, di token e di costi, e unificando testo e vettori, l’azienda fornisce una soluzione pronta all’uso che facilita l’adozione di tecnologie avanzate di AI nei sistemi di ricerca aziendali.