Gemini Embedding 2：首个原生五模态embedding模型

在人工智能领域，向量嵌入（Embedding）技术一直是连接不同数据类型与语义理解的关键桥梁。传统上，针对文本、图片、视频等不同模态的数据，研究者们往往需要构建独立的模型和索引系统，这不仅增加了工程复杂度，也使得跨模态检索变得繁琐。然而，这一局面正在被Google DeepMind最新发布的Gemini Embedding 2所改变。

核心能力与技术创新

Gemini Embedding 2是业界首个原生支持五模态统一编码的embedding模型，能够将文本、图片、视频、音频、PDF五种模态的数据首次整合到同一个向量空间中。这意味着开发者可以通过一次API调用，同时输入一段文字、几张图片和一段音频，模型将返回一个统一的向量表示，这个向量深刻理解的是不同模态内容之间的语义关联。

向量维度与性能表现

在具体能力方面，Gemini Embedding 2表现出令人印象深刻的技术参数：该模型支持超过100种语言的语义理解；文本处理最长可达8192个input tokens；图片输入每次最多6张，支持PNG和JPEG格式；视频最长128秒，支持MP4和MOV格式；音频最长80秒，支持MP3和WAV格式；PDF文档最多支持6页。更值得关注的是，这五种模态可以混合输入，实现了真正的跨模态统一理解。

定价策略与市场定位

在向量表示方面，Gemini Embedding 2默认输出3072维向量，同时支持灵活的降维能力（Matryoshka Representation Learning）。令人惊喜的是，降维后的性能几乎无损：在MTEB基准测试中，3072维得分68.17，2048维得分68.16，1536维得分68.17（甚至比2048维略高0.01），768维得分67.99。这意味着开发者可以根据存储成本需求灵活选择维度——768维的存储成本仅为3072维的四分之一，而性能仅下降0.18个点位。

使用限制与早期反馈

在定价方面，Gemini Embedding 2的文本价格为每百万tokens 0.20美元，Batch API半价每百万tokens 0.10美元，图片、音频、视频则按Gemini API标准媒体token费率计算。与前代gemini-embedding-001的每百万tokens 0.15美元相比，价格上涨约33%。不过，考虑到新增的音频、视频、PDF三种模态能力，这一溢价仍在合理范围内。相比之下，OpenAI text-embedding-3-large为每百万tokens 0.13美元，Cohere Embed v4（文本+图片）为每百万tokens 0.12美元。

如有侵权，请联系删除。