Gemini Embedding 2 发布：Google 首款原生多模态嵌入模型

Google 基于 Gemini 架构打造的首款全能型原生多模态嵌入模型——Gemini Embedding 2 正式发布。它可以将文本、图像、视频、音频和文档，毫无障碍地映射到同一个向量空间中，让跨媒介的检索与分类变得轻而易举。

• Gemini Embedding 2 能够精准捕捉超过 100 种语言的语义意图，将五花八门的数据类型统统装进一个统一的嵌入空间。
• 这一突破不仅大幅简化了繁杂的数据处理管线，更为检索增强生成（RAG）、语义搜索、情感分析以及数据聚类等海量下游任务注入了强劲动力。

Gemini Embedding 2 主要特性

全新模态支持与灵活的维度扩展

依托 Gemini 顶级的多模态理解能力，该模型能够跨越多种媒介，生成高质量的向量表示：

• 文本：支持高达 8192 个输入 Token，轻松应对超长上下文。
• 图像：单次请求最多可并行处理 6 张图片，全面支持 PNG 和 JPEG 格式。
• 视频：最高支持输入 120 秒的 MP4 或 MOV 格式视频。
• 音频：支持原生音频数据的吞吐与嵌入，彻底告别繁琐的「语音转文字」中间环节。
• 文档：可直接嵌入长达 6 页的 PDF 文件。

除此之外，它不仅能「单线程」处理单一模态，还原生支持「交错输入」。你可以将图文混排等多模态数据一次性喂给模型。通过这种方式，Gemini Embedding 2 能够敏锐捕捉不同媒介之间微妙而复杂的关联，从而对真实世界的数据产生更精准的认知。

延续了前代模型的优良传统，Gemini Embedding 2 同样引入了「俄罗斯套娃表示学习」（Matryoshka Representation Learning, MRL）技术。该技术通过动态缩减维度来实现信息的「嵌套」，允许开发者在默认的 3072 维基础上灵活调低输出维度，从而在性能表现与存储成本之间找到完美平衡。

SOTA 性能表现

Gemini Embedding 2 不仅仅是对旧有模型的常规迭代，它直接为多模态深度理解树立了全新的性能标杆。除了引入强悍的语音处理能力，它在文本、图像和视频任务上的表现，均全面超越了目前的行业头部模型。