谷歌于北京时间2026-03-11发布了Gemini Embedding 2，这是谷歌首个原生多模态嵌入模型，能将文本、图像、视频、音频和文档映射到同一嵌入空间并支持100种语言。与生成式模型不同，嵌入模型用于将多种数据类型转换为向量以便语义搜索、分类、聚类等理解任务。模型限制包括文本上下文窗口最高8192 tokens、每次请求最多6张图像（PNG/JPEG）、视频最多120秒（MP4/MOV）、可直接处理音频且支持最多6页PDF。应用场景涵盖RAG、语义搜索、情感分析和数据聚类等，并可在单次请求中接收图像+文本等混合输入。Gemini Embeddings 2（gemini-embedding-2-preview）已在Gemini API和Vertex AI公开预览，原有的gemini-embedding-001仍可用于文本场景。
3 月 11 日消息，北京时间今天凌晨，谷歌发布了全新 Gemini Embedding 2 模型。这是谷歌首个原生多模态嵌入模型，可以把文本、图像、视频和文档映射到同一个嵌入空间。
嵌入模型与生成式模型不同。Gemini 3 等生成式模型主要用于生成内容，而嵌入模型用于理解数据。嵌入模型会把文本、图像或视频转换为向量等数学形式，方便机器读取和分析。
通过语义搜索、分类和聚类等方式，此类模型可以理解语义关系，因此往往比传统关键词检索提供更准确、更具上下文的信息。
据IT之家了解，谷歌最早推出的 Embedding 模型只支持文本。Gemini Embedding 2 则支持文本、图像、视频、音频和文档，并能在 100 种语言中识别语义意图。
不同数据类型的处理限制如下：
- 文本：上下文窗口最高 8192tokens
- 图像：每次请求最多 6 张，支持 PNG 和 JPEG 格式
- 视频：最多 120 秒输入，支持 MP4 和 MOV 格式
- 音频：可直接处理音频数据，无需先进行转录
- 文档：支持最多 6 页 PDF
谷歌在博客中表示，新模型可以简化复杂的数据处理流程，同时增强多模态应用能力。应用场景包括检索增强生成（RAG）、语义搜索、情感分析以及数据聚类。
模型还可以在一次请求中同时接收“图像 + 文本”等类型的多种输入，从而分析不同媒体类型之间的关系。
谷歌举例说，在诉讼取证阶段，Gemini 嵌入模型可以帮助法律专业人士快速找到关键证据。测试结果显示，在数百万条记录中，多模态嵌入能够提升检索精度和召回率，同时改善图像与视频搜索效果。
Gemini Embeddings 2（gemini-embedding-2-preview）目前已经通过 Gemini API 和 Vertex AI 提供公开预览。与此同时，gemini-embedding-001 仍然可用于只处理文本的应用场景。