Google推出全新多模态嵌入模型
2026年3月10日，Google正式发布Gemini Embedding 2，这是其首个原生多模态嵌入模型，现已开放公开预览。该模型基于Gemini架构构建，能够将文本、图像、视频、音频和文档映射到单一的统一嵌入空间中。
核心功能
Gemini Embedding 2的主要能力包括：
- 多模态输入支持：可处理文本、每请求最多6张图片、最长120秒的视频、无需转录的原生音频，以及最多6页的PDF文档
- 统一嵌入空间：将不同模态整合到单一空间，简化复杂的AI管道，增强多模态下游任务
- 交错输入：支持在单个请求中组合不同模态，如图片配文字说明
- 百种语言支持：支持超过100种语言的语义理解
- 灵活输出维度：采用Matryoshka表示学习，默认3072维度可缩放至1536或768
性能提升
Google表示，Gemini Embedding 2在文本、图像和视频任务上表现优于领先模型，并引入了强大的语音能力。该模型可通过Gemini API和Vertex AI获取。
