谷歌DeepMind近日宣布推出Gemini Embedding 2，這一原生多模態嵌入模型實現了文本、圖像、視頻、音頻及文檔五種媒體形式的統一嵌入，標志著人工智能嵌入技術進入全模態融合的新時代。該模型突破了傳統嵌入模型僅支持單一模態的局限，通過將不同類型的數據映射至同一向量空間，為多模態應用開發提供了更高效的解決方案。
在技術架構上，Gemini Embedding 2基于Gemini框架構建，支持多種輸入格式：文本處理能力提升至8192個token，圖像可同時處理6張PNG或JPEG格式文件，視頻支持最長120秒的MP4/MOV格式，音頻可直接生成嵌入向量無需轉錄，文檔則支持6頁以內的PDF文件。該模型最顯著的創新在于支持交錯輸入，允許開發者在單次請求中混合多種模態數據，從而捕捉不同媒體類型間的復雜語義關聯。
性能表現方面，谷歌披露的基準測試數據顯示，Gemini Embedding 2在文本、圖像及視頻任務中均超越當前主流模型。特別值得關注的是其原生語音處理能力，這項此前同類模型普遍缺失的功能，使音頻數據可直接生成嵌入向量，省去了語音轉文字的中間環節，顯著提升了處理效率。為平衡性能與成本，模型延續了Matryoshka表示學習技術，允許開發者根據應用場景將輸出維度從默認的3072靈活調整至1536或768。
對于企業用戶而言，該模型的發布具有重要實踐價值。通過統一嵌入空間的設計，開發者構建多模態檢索增強生成（RAG）、語義搜索及數據分類系統的技術門檻大幅降低。以往需要分別處理不同模態數據的復雜管道，現在可通過單一模型簡化實現。谷歌特別強調，維度壓縮技術使大規模部署嵌入向量的企業能夠在控制基礎設施成本的同時，保持較高的模型精度。
目前，Gemini Embedding 2已通過Gemini API和Vertex AI平臺開放預覽，開發者可立即接入使用。據谷歌透露，部分早期合作伙伴已基于該模型開發出多模態應用，這些實踐案例正在驗證其在高價值場景中的實際效能。隨著嵌入技術在上下文工程、大規模數據管理及傳統搜索分析等領域的廣泛應用，這款新模型有望推動相關技術生態的進一步發展。
