谷歌发布Gemini Embedding 2：首个全多模态嵌入模型正式亮相

谷歌于2026年3月10日前后推出Gemini Embedding2，这是一款首款基于Gemini架构的完全多模态嵌入模型。目前已在Gemini API与Vertex AI开放Public Preview，开发者现在就能接入体验。

统一向量空间，打破模态隔阂  

Gemini Embedding2的关键亮点在于，把文本、图片、视频、音频以及文档（PDF）等多种数据类型映射到同一个统一的嵌入向量空间。它实现了真正的跨模态检索与分类，支持100多种语言，让不同模态的数据能“用同一种语言”交流。

混合输入能力，精准捕捉语义关联  

模型原生支持混合模态输入，例如图片+文字、视频+音频等组合。系统能够深入理解不同媒介之间的语义联系，而不是简单并列处理，多媒体内容理解能力因此大幅提升。

音频可原生处理，无需ASR转写  

另一项重要升级是音频可直接进行嵌入。用户可输入原始音频文件，模型无需先做语音转文本（ASR），即可生成高质量向量。这大大简化了多模态处理流程，同时明显降低延迟与计算成本。

多场景应用，RAG进入新阶段  

凭借统一架构与强大的跨模态能力，Gemini Embedding2可用于RAG检索增强生成、语义搜索、情感分析、内容聚类、法律证据检索等场景。编辑部认为，这一模型的发布将显著降低企业构建多模态AI应用的门槛，推动AI从“文本时代”迈向“全感知时代”。