Gemini Embedding 2: Preview-Modell wird umgeleitet

Wenn du in den letzten Monaten eine Dokumentensuche, einen Support-Chatbot oder eine andere RAG-Anwendung mit der Gemini API gebaut hast, steht in deinem Code vermutlich gemini-embedding-2-preview. Google hat dieses Modell jetzt abgekündigt. Kaputt geht dadurch nichts. Trotzdem ist das ein guter Moment, kurz in deine Konfiguration zu schauen.

Was passiert ist

Google hat am 6. November 2026 das Modell gemini-embedding-2-preview als deprecated markiert (Google AI Studio Changelog). Seitdem leitet die Gemini API jede Anfrage an die Preview automatisch auf das stabile Modell gemini-embedding-2 weiter. Abgerechnet wird zu den Preisen von Gemini Embedding 2.

Laut Changelog sind API-Schema, Preise und Embedding-Raum der beiden Modelle identisch. Google schreibt deshalb, dass außer dem Modellnamen keine Änderungen am Code nötig sind und du deine gespeicherten Vektoren nicht neu berechnen musst (Changelog).

Die Vorgeschichte, ebenfalls aus dem Changelog:

• 10. März 2026: gemini-embedding-2-preview erscheint als erstes multimodales Embedding-Modell von Google. Es verarbeitet Text, Bilder, Video, Audio und PDF in einem gemeinsamen Embedding-Raum.
• 22. April 2026: gemini-embedding-2 ist allgemein verfügbar.
• 5. Mai 2026: File Search unterstützt mit gemini-embedding-2 multimodale Suche, auch Bilder lassen sich einbetten und durchsuchen.
• 6. November 2026: Die Preview ist deprecated, die Umleitung ist aktiv.

Auf der Deprecations-Seite steht der 6. November 2026 als Abschaltdatum der Preview, mit gemini-embedding-2 als Ersatzmodell und dem Hinweis auf die automatische Weiterleitung.

Was ist ein Embedding, und warum ist das wichtig?

Ein Embedding ist eine lange Zahlenreihe, die die Bedeutung eines Inhalts abbildet. Inhalte mit ähnlicher Bedeutung bekommen ähnliche Zahlenreihen. Bei Gemini Embedding 2 hat so ein Vektor standardmäßig 3.072 Werte, einstellbar sind 128 bis 3.072 (Embeddings-Doku).

In einer RAG-Anwendung passiert damit Folgendes: Deine Dokumente werden einmal in solche Vektoren umgerechnet und in einer Datenbank gespeichert. Stellt jemand eine Frage, wird die Frage ebenfalls eingebettet. Das System sucht die Abschnitte mit den ähnlichsten Vektoren heraus und gibt sie dem Sprachmodell als Grundlage für die Antwort mit.

Damit das funktioniert, müssen Frage und Dokumente im selben Embedding-Raum liegen. Wechselst du auf ein Modell mit einem anderen Raum, passen die alten Vektoren nicht mehr zu den neuen Fragen, und du musst alles neu einbetten. Genau das bleibt dir bei dieser Umstellung erspart.

Was muss ich im Code ändern?

Nur den Modellnamen. Das offizielle Python-Beispiel von Google sieht mit dem stabilen Modell so aus (Embeddings-Doku):

from google import genai

client = genai.Client()

result = client.models.embed_content(
    model="gemini-embedding-2",
    contents="What is the meaning of life?"
)

print(result.embeddings)

Steht bei dir model="gemini-embedding-2-preview", ersetzt du das durch model="gemini-embedding-2". Mehr nicht.

Hast du deine Anwendung nicht selbst programmiert, sondern in einem Automatisierungs-Tool zusammengeklickt, such dort nach dem Feld, in dem der Modellname eingetragen ist. Hat ein Freelancer oder eine Agentur das Projekt gebaut, reicht eine kurze Nachricht: „Welchen Embedding-Modellnamen nutzt unsere Anwendung?“

Was es für dich bedeutet

Deine Anwendung läuft weiter. Durch die automatische Umleitung gibt es keinen Ausfall. Wer die Preview nutzt, bekommt seit dem 6. November Antworten vom stabilen Modell (Changelog).

Stell trotzdem um. Ein abgekündigter Modellname im Code ist eine Altlast, die du bei der nächsten Fehlersuche nicht gebrauchen kannst. Die Änderung dauert ein paar Minuten, und danach steht in deinem Code das, was tatsächlich läuft.

Die Kosten bleiben gleich. Preview und stabiles Modell kosten laut Google dasselbe (Changelog). Für Text zahlst du im Paid-Tier 0,20 US-Dollar pro 1 Million Tokens, im Batch-Modus 0,10 US-Dollar. Bilder kosten 0,45 US-Dollar pro 1 Million Tokens, Audio 6,50 US-Dollar und Video 12,00 US-Dollar. Im Free Tier ist das Modell kostenlos, Batch gibt es dort nicht (Stand: November 2026, Gemini API Preise).

Keine Neu-Indexierung. Deine Vektordatenbank bleibt, wie sie ist. Gerade bei größeren Dokumentenbeständen spart das Zeit und API-Kosten.

Achtung, wenn du von gemini-embedding-001 kommst. Das ist ein anderer Fall. Die Embedding-Räume von gemini-embedding-001 und gemini-embedding-2 sind laut Google nicht kompatibel. Wer upgradet, muss seine bestehenden Daten neu einbetten (Embeddings-Doku). Dazu kommen Unterschiede im Aufruf: gemini-embedding-2 kennt kein task_type-Feld mehr, die Aufgabe steht stattdessen als Präfix im Text, etwa task: search result | query: ... (Embeddings-Doku). Eilig ist dieser Wechsel nicht: Für gemini-embedding-001 nennt Google als frühestes Abschaltdatum den 14. Mai 2028 (Deprecations-Seite).

Mehr als Text ist möglich. Falls du die Preview bisher nur für Textsuche genutzt hast: Das stabile Modell nimmt auch Bilder (bis 6 pro Anfrage), Audio (bis 180 Sekunden), Video (bis 120 Sekunden) und ein PDF mit bis zu 6 Seiten an. Die Obergrenze von 8.192 Tokens gilt über alle Inhalte zusammen, längere Eingaben werden ohne Warnung gekürzt (Embeddings-Doku). Für eine Wissensdatenbank mit Produktfotos oder gescannten Unterlagen kann das interessant sein. Passend dazu hat Google kürzlich auch die Dateiformate PPT, ODP und ODS für die Gemini API erweitert.

Gute Gelegenheit für einen Gesamtcheck. Wenn du schon im Projekt bist, schau auch auf die Speicher-Einstellung: Bei neuen Paid-Tier-Projekten speichert Google GenerateContent-Anfragen seit dem 26. Oktober standardmäßig (Changelog). Was das heißt, steht in meinem Artikel zum Gemini API Datenschutz. Und laut demselben Changelog werden gemini-2.5-pro und gemini-2.5-flash ab dem 1. Dezember 2026 umgeleitet, dort mit Breaking Changes (Changelog). Nutzt deine RAG-Anwendung eines dieser Modelle für die Antworten, ist dort mehr zu tun als beim Embedding.

Wenn du gerade erst überlegst, so eine Wissenssuche oder einen Assistenten aufzubauen: Wie du dabei Schritt für Schritt vorgehst, steht im Ratgeber KI-Agenten erstellen.

Quellen

• Google AI Studio Changelog (Primärquelle: Deprecation am 6. November 2026, Umleitung, identisches Schema, Preise und Embedding-Raum)
• Gemini API Deprecations (Abschaltdaten von gemini-embedding-2-preview und gemini-embedding-001)
• Gemini API Embeddings-Dokumentation (Codebeispiel, Eingabelimits, Dimensionen, Unterschiede zu gemini-embedding-001)
• Gemini API Preise (Preise Gemini Embedding 2, Stand: November 2026)

Häufige Fragen

Funktioniert gemini-embedding-2-preview noch?

Ja. Google leitet Anfragen an die Preview automatisch auf gemini-embedding-2 um und rechnet zu dessen Preisen ab. Den Modellnamen in deinem Code oder Tool solltest du trotzdem auf gemini-embedding-2 ändern.

Muss ich nach dem Wechsel auf Gemini Embedding 2 meine Dokumente neu einbetten?

Beim Wechsel von der Preview auf gemini-embedding-2 nicht, beide nutzen laut Google denselben Embedding-Raum. Kommst du von gemini-embedding-001, musst du neu einbetten, weil die Embedding-Räume nicht kompatibel sind.

Wird Gemini Embedding 2 teurer als die Preview?

Nein. Laut Google-Changelog sind die Preise von Preview und stabilem Modell identisch.

Welche Inhalte kann Gemini Embedding 2 verarbeiten?

Text, Bilder, Audio, Video und PDF. Alle Inhalte landen in einem gemeinsamen Embedding-Raum, du kannst also zum Beispiel mit einer Textfrage nach passenden Bildern suchen.