谷歌正式推出Gemini Embedding 2，这是其首款原生多模态嵌入模型，可将文本、图像、视频、音频及文档映射至统一的向量空间，实现跨模态语义理解。该模型支持100种语言，适用于语义搜索、分类、聚类及检索增强生成（RAG）等下游任务。

与仅处理文本的初代模型不同，Gemini Embedding 2单次请求最多可处理8192个文本token、6张PNG/JPEG图片、120秒MP4/MOV格式视频、未转录的原始音频，以及最多6页的PDF文档。谷歌表示，该模型能简化复杂数据处理流程，并在法律电子取证等场景中显著提升图像、视频与文本的检索精度与召回率。

目前，Gemini Embedding 2（型号gemini-embedding-2-preview）已通过Gemini API和Vertex AI开放公测，面向开发者提供多模态能力支持。原有的文本专用模型gemini-embedding-001仍继续可用。