谷歌于2026年3月10日前后正式推出Gemini Embedding2，这是其首款基于Gemini架构的完全多模态嵌入模型。目前已在Gemini API和Vertex AI上开放Public Preview，开发者可立即调用体验。
统一嵌入空间，打破模态壁垒
Gemini Embedding2的核心创新在于，将文本、图片、视频、音频和文档（PDF）等多种数据类型映射到同一个统一的嵌入向量空间中。这一设计彻底实现了跨模态检索与分类，支持超过100种语言，真正让不同模态数据“说同一种语言”。
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，例如同时传入图片+文字、视频+音频等复杂组合。系统能够深度理解不同媒体之间的语义关联，而非简单并列处理，为多媒体内容理解带来质的飞跃。
音频原生处理，无需ASR转录
另一大突破是音频直接嵌入功能。用户可直接输入原始音频文件，模型无需先进行语音转文本（ASR），即可输出高质量嵌入向量。这不仅大幅简化了多模态数据处理流程，还显著降低了延迟和计算成本。
多场景落地，RAG迎来新纪元
凭借统一架构和强大跨模态能力，Gemini Embedding2可广泛应用于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。AIbase编辑认为，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”全面迈向“全感知时代”。
via AI新闻资讯 (author: AI Base)
