谷歌重磅发布！首款全模态嵌入模型来了，5种媒介无缝打通

谷歌再放大招！近日正式推出Gemini Embedding 2，这是其首款原生多模态嵌入模型，现已通过Gemini API和Vertex AI开启公开预览，彻底打破不同媒介的语义壁垒。

@小土豆呱龙的AI智讯

不同于以往仅支持文本的嵌入模型，这款基于Gemini架构打造的新品，能将文本、图像、视频、音频和文档五大类数据，映射到同一个统一嵌入空间，还能捕捉100多种语言的语义意图，大幅简化多模态应用的开发流程。

其核心优势十分突出：文本支持最高8192个输入token，单次请求可处理6张PNG/JPEG图像、120秒MP4/MOV视频，音频无需转录可直接嵌入，还能直接处理6页内的PDF文档。更亮眼的是，它支持多模态混合输入，能精准捕捉不同媒介间的复杂关联。

模型还融入嵌套表示学习技术，默认输出3072维向量，可灵活缩减至1536维、768维，帮助开发者平衡性能与存储成本。在文本、图像、视频任务中，它表现超越主流模型，还新增强大语音能力，适配RAG、语义搜索、数据聚类等多种场景。

#ai新闻# #模型# #AI发展动向#