Imagina que tu buscador interno convierte documentos, imágenes y audio en vectores con gemini-embedding-2-preview. Hoy sigue respondiendo, pero el nombre del modelo ya no describe lo que ocurre: desde el 6 de noviembre de 2026 Google dirige esas solicitudes al modelo estable gemini-embedding-2. La decisión práctica es pequeña, aunque confundirla con otra migración puede costarte una reindexación innecesaria.
Qué cambió exactamente
El registro oficial de Gemini API del 6 de noviembre indica que gemini-embedding-2-preview está obsoleto y que sus llamadas ya se enrutan a gemini-embedding-2 con las tarifas del modelo estable. Google pide cambiar el identificador. También afirma que ambos comparten esquema de API, precio y espacio de embeddings: para esa transición no exige modificar más código ni volver a generar los vectores almacenados.
Esto importa si tu aplicación usa búsqueda semántica o RAG. El vector de una consulta debe ser comparable con los vectores de los documentos indexados. Si el espacio cambia, la búsqueda puede devolver resultados irrelevantes aunque el endpoint responda 200. En este caso específico, Google confirma que el espacio permanece igual.
La comprobación de cinco minutos
- Busca en código, variables de entorno y trabajos de indexación el identificador antiguo:
rg 'gemini-embedding-2-preview|gemini-embedding-001' .. Revisa también configuraciones alojadas fuera del repositorio. - Si el sistema usa
gemini-embedding-2-preview, cambia la cadena agemini-embedding-2tanto en la generación de documentos como en la de consultas. Conserva por ahora dimensiones, metadatos y colección. - Haz una consulta de control antes y después con una respuesta conocida. Comprueba que el documento esperado aparece entre los primeros resultados y revisa errores, latencia y consumo. Una prueba de recuperación vale más que comprobar únicamente que la API responde.
- Consulta la tabla vigente de precios antes de estimar el gasto. En la tarifa de pago estándar, el texto figura a USD 0,20 por millón de tokens; imagen, audio y video tienen precios distintos. La ruta gratuita existe, sujeta a límites.
Un ejemplo mínimo con el SDK oficial de Python es:
from google import genai
client = genai.Client() # Usa GEMINI_API_KEY del entorno
response = client.models.embed_content(
model="gemini-embedding-2",
contents="¿Cómo cancelo mi suscripción?",
)
vector = response.embeddings[0].values
print(len(vector))
El ejemplo sigue el patrón de la documentación de embeddings; aquí no ejecutamos una llamada real con una clave ni medimos calidad. Para una aplicación, mantén el mismo tamaño de vector que usa tu índice y valida una consulta representativa con tus datos.
La migración que sí obliga a reindexar
No apliques la misma regla a gemini-embedding-001. Google dice expresamente que su espacio de vectores es incompatible con el de gemini-embedding-2. Si decides pasar del modelo de texto anterior al multimodal, tendrás que volver a generar los embeddings de tus documentos y construir un índice nuevo; después cambia la generación de consultas y compara la calidad antes de retirar el índice viejo. gemini-embedding-001 sigue disponible para casos solo de texto, según la documentación actual.
Mi recomendación: primero identifica qué modelo creó los vectores que ya guardaste. Si fue gemini-embedding-2-preview, actualiza el nombre y prueba recuperación; no gastes en reindexar por reflejo. Si fue gemini-embedding-001, planifica una migración con índice paralelo. La diferencia no está en que ambos nombres contengan «embedding», sino en si los vectores comparten espacio matemático.