谷歌推出首款原生多模态嵌入模型 Gemini Embedding 2：让机器更懂这个世界

谷歌面向公众发布全新的 Gemini Embedding 2。作为谷歌首款原生多模态嵌入模型，它突破了传统只能处理单一数据形态的限制，能够把文本、图片、视频、音频以及文档共同映射到同一个向量空间，从而实现跨媒介的深度理解。

与主打内容生成的 Gemini 3 等生成式模型不同，嵌入模型的核心任务是“理解”。它把复杂信息转成机器可用的向量表示，帮助系统捕捉语义联系，在搜索准确度与上下文关联上远超基于关键词的检索方式。

Gemini Embedding 2 的核心特性与亮点：

• 多模态全覆盖：不仅支持文本，还可直接处理 PNG/JPEG 图片、最长 120 秒的 MP4/MOV 视频、原生音频数据，以及最多 6 页的 PDF 文档。

• 面向全球的语言理解：可在多达 100 种语言中准确把握用户的语义需求。

• 跨媒介联合分析：一次请求即可输入“图像 + 文本”等组合内容，深度挖掘不同媒介之间的内在联系。

• 丰富的落地场景：在检索增强生成（RAG）、语义搜索、情感分析与大规模聚类等任务上显著提升表现。

谷歌在官方博客举例称，在法律诉讼取证等复杂业务中，Gemini Embedding 2 能在海量、跨媒介的数据里迅速定位关键证据，大幅提升检索的精度与召回效果。目前，该模型已通过 Gemini API 与 Vertex AI 向公众开放预览。

对开发者而言，这次更新意味着可以更便捷地打造能处理真实世界复杂数据的 AI 应用，让机器不只是会“看”和“听”，更能理解不同信息背后的一致逻辑。