Google推出「Gemini Embedding 2」，這是首個原生多模態嵌入模型，現已公開預覽。該模型能將文本、圖像、視頻、音頻和文檔映射到統一的嵌入空間，支持超過100種語言的語義理解。 在功能方面，「Gemini Embedding 2」具有顯著的多模態處理能力，包括最多8192個輸入令牌的文本、6張圖像、120秒視頻、原生音頻處理（無需文字轉錄）以及6頁以內的PDF文檔。該模型還支持交錯輸入，允許在單次請求中同時傳入多種媒體類型，進而捕捉不同媒體間的複雜語義關係。 技術層面上，模型採用「俄羅斯套娃表徵學習」（Matryoshka Representation Learning）技術，支持靈活的輸出維度調整（從預設的3072維可縮減至768維），幫助開發者平衡性能與存儲成本。性能方面，「Gemini Embedding 2」在文本、圖像和視頻任務上的表現超越現有主流模型，並具有強大的語音能力。 該模型適用於檢索增強生成、語義搜索、情感分析和數據聚類等多種應用場景。開發者可通過「Gemini API」或「Vertex AI」開始使用。