Gemini Embedding 2

Gemini Embedding 2 模型概述

Gemini Embedding 2 是由 Google DeepMind 发布的一款向量嵌入模型，属于 Gemini 模型系列中的 embedding 能力组件。该模型于 2026 年 3 月通过 Gemini API 与 Vertex AI 以 Public Preview 形式开放。与此前主要面向文本的 embedding 模型不同，Gemini Embedding 2 是 Google 首个原生多模态 embedding 模型，能够将文本、图像、视频、音频以及文档等多种数据类型映射到统一的向量空间中，从而支持跨模态检索与语义分析等应用。

架构与技术规格

Gemini Embedding 2 构建在 Gemini 模型架构之上，并继承了 Gemini 系列在多模态理解方面的能力。模型支持最长约 8192 tokens 的文本输入。输出向量维度默认推荐为 3072，并支持通过 Matryoshka Representation Learning（MRL）技术进行维度缩减，例如 1536 或 768，以在性能与存储成本之间取得平衡。该技术允许在保持语义信息层次结构的前提下动态缩减 embedding 维度。

官方尚未公开该模型的参数规模与激活参数规模，因此相关数值未披露。

核心能力与模态支持

Gemini Embedding 2 的核心能力在于将不同模态的数据统一编码到同一语义向量空间，从而支持跨媒体语义理解与检索。模型支持以下输入类型：

• 文本：支持最长约 8192 tokens 的文本输入。
• 图像：单次请求最多支持约 6 张图像输入（PNG、JPEG）。
• 视频：支持最长约 120 秒的视频输入（MP4、MOV）。
• 音频：支持直接处理音频数据并生成 embedding，无需先转录为文本。
• 文档：支持直接处理 PDF 文档，最大约 6 页。

该模型还支持多模态混合输入，例如图像与文本组合，从而捕获不同模态之间的语义关系。

应用场景

由于能够统一表示多种数据类型，Gemini Embedding 2 可用于构建多模态语义搜索系统、跨媒体检索、推荐系统、内容聚类、数据分析以及 Retrieval-Augmented Generation（RAG） 等应用。通过统一向量空间，可以简化传统需要多模型组合的多模态处理流程。

访问方式

开发者可以通过 Gemini API 或 Google Cloud Vertex AI 访问 Gemini Embedding 2。目前该模型以 Public Preview 形式提供，并支持在常见 AI 框架与工具链中使用，例如 LangChain、LlamaIndex、Haystack、Weaviate、Qdrant 与 Chroma 等向量数据库系统。