Google 发布支持文本、图像、音视频及 PDF 同源向量化的嵌入模型 Gemini Embedding 2，原生打通跨模态检索，并支持弹性维度输出。
原生多模态统一向量空间
Gemini Embedding 2（模型 ID：gemini-embedding-2-preview）改变了以往不同模态需要独立处理再对齐的传统链路，原生支持将五种模态数据映射至单一的向量空间。 具体输入限制如下：
- 文本：支持最高 8,192 Tokens 上下文窗口，覆盖 100+ 种语言。
- 图像：单次 Prompt 最多输入 6 张图像（支持 PNG/JPEG，控制台直传无单文件大小限制）。
- 音频：原生提取音频特征，跳过语音转文本（ASR）的中间件步骤。
- 视频：单次支持最高 120 秒无声视频或 80 秒有声视频（MP4/MOV）。
- 文档：单次请求直接支持解析最高 6 页的 PDF 文件。
引入套娃表示学习（MRL）与基准性能
该模型集成了套娃表示学习（Matryoshka Representation Learning, MRL）技术。默认输出 3072 维浮点向量，但允许开发者根据向量数据库的存储成本和检索延迟约束，在不显著损失语义精度的前提下，将维度向下弹性截断（官方推荐尺寸为 3072、1536、768，最低支持 128 维）。
核心 Benchmark 数据表明其跨模态检索能力处于头部梯队：
- 文本-代码（MTEB Code）：均分 84.0。
- 文本-图像检索（Docci）：recall@1 达 93.4。
- 文本-视频检索（MSR-VTT）：ndcg@10 达 68.0。
- 语音-文本（MSEB）：mrr@10 达 73.9。
- 多语言表现（MTEB Multilingual）：得分 69.9。