3月11日，谷歌发布了全新的GeminiEmbedding2模型，标志着公司在多模态嵌入技术领域迈出了重要一步。GeminiEmbedding2是谷歌首个原生多模态嵌入模型，能够将文本、图像、视频和文档映射到同一个嵌入空间，从而实现对不同数据类型的统一理解和分析。

GeminiEmbedding2模型在功能上进行了扩展，不仅支持文本，还能处理图像、视频、音频和文档，覆盖100种语言的语义识别。具体到不同数据类型的处理限制，文本的上下文窗口最高支持8192个tokens，图像每次请求最多处理6张，视频支持最多120秒输入，音频可以直接处理音频数据，文档则支持最多6页PDF。这一模型的应用场景广泛，包括检索增强生成、语义搜索、情感分析和数据聚类等，能够在一次请求中同时接收多种类型的输入，分析不同媒体类型之间的关系。

谷歌表示，新模型可以简化复杂的数据处理流程，并增强多模态应用能力。例如，在诉讼取证阶段，Gemini嵌入模型能够帮助法律专业人士快速找到关键证据。测试结果表明，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。目前，GeminiEmbeddings2已经通过GeminiAPI和VertexAI提供公开预览，而gemini-embedding-001则继续用于只处理文本的应用场景。