谷歌发布 Gemini Embedding 2：首个原生全模态向量模型，打通音视频与图文！

2026 年 3 月 10 日谷歌 DeepMind 正式推出 Gemini Embedding 2。这不仅是常规的迭代而是 AI 向量技术的一次重大跨越——它是谷歌首个基于 Gemini 架构构建的原生多模态嵌入模型 (Natively Multimodal Embedding Model)。它打破了不同媒介之间的壁垒将文本、图像、视频、音频和 PDF 文档统一映射到了同一个向量空间中。【核心突破与技术亮点】1.真正的“全模态”统一融合与交错输入 (Interleaved Input)以往的检索通常需要用独立的模型处理不同的数据。Gemini Embedding 2 不仅可以直接原生地“吃”进五大类数据更强大的是它原生支持“交错输入”。这意味着你可以在同一次请求中同时传入多种模态例如一张图片 一段文字描述模型能够精准捕捉不同媒体类型之间复杂而微妙的关系提供更深刻的真实世界数据理解。2. 原生语音与文档理解告别中间转换新模型引入了强大的原生语音处理能力可以直接摄入音频并生成嵌入向量完全跳过了“语音转文字”的中间环节。同时它也能直接处理 PDF 文档大大简化了复杂的数据处理流水线 (Pipelines)。3. MRL 弹性维度与 3072 维超强输出模型默认输出高达 3072 维的浮点向量能够捕捉极其细腻的语义特征。同时它采用了 Matryoshka 表示学习 (MRL) 技术允许开发者根据需要在不损失核心精度的前提下灵活缩小维度。官方推荐使用 3072、1536 或 768 维让企业能在“极致检索精度”与“存储成本”之间自由寻找平衡点。4. SOTA 性能Gemini Embedding 2 不仅超越了以往的模型它还为多模态深度处理设立了新的性能标杆引入了强大的语音能力并在文本、图像和视频任务中超越了领先模型。这种可量化的提升以及独特的多模态覆盖范围恰好满足了开发者在多样化嵌入需求上的期待。【必看的规格参数】 对于想要立刻上手的技术读者以下是该预览版模型 (gemini-embedding-2-preview) 的输入限制文本最多支持 8,192 tokens。图像每次请求最多 6 张支持 PNG、JPEG。音频原生支持无需中间文本转录。视频无音频视频最长 120 秒带音频视频最长 80 秒支持 MP4、MOV/MPEG。文档每次最多支持 1 个 PDF 文件最高 6 页。【应用场景】结合全模态特性它能将传统的 AI 玩法提升到新高度检索增强生成 (RAG) 支持图文音视频混合检索大幅提升大模型生成内容的质量。跨模态信息检索 用一段音频或一张截图直接精准搜索语义最匹配的文档或视频片段。搜索结果重新排名 根据多模态语义相关性得分优先展示最匹配的初始结果。异常值检测 比较多模态向量群组快速揪出海量混合数据中的违规或离群点。零样本分类 无需额外训练专门的分类器自动对多媒体内容进行情感分析或打标。数据聚类 将复杂的音视频和报告统一向量化通过可视化图表洞察业务关联。【如何抢先体验】目前Gemini Embedding 2 已经通过 Gemini API 和 Google Cloud 的 Vertex AI 平台进入公开预览阶段 (Public Preview)模型 ID 为 gemini-embedding-2-preview。