谷歌近日正式推出了其新一代多模态嵌入模型Gemini Embedding 2，标志着人工智能在跨模态语义理解领域迈出了关键一步。该模型通过Gemini API和Vertex AI平台提供服务，其核心突破在于首次将文本、图像、视频、音频及文档（如PDF）的向量表示统一到同一个语义空间中，并支持超过100种语言。技术上，Gemini Embedding 2采用了Matryoshka Representation Learning（嵌套表示学习），允许开发者根据具体应用场景灵活调整输出向量的维度，在保证核心语义信息的同时优化计算与存储效率。模型具备强大的处理能力，单次可处理多达8,192个文本标记、6张图像、120秒视频或6页PDF文档。目前，早期访问用户已将其应用于检索增强生成（RAG）和复杂语义搜索等场景，初步反馈显示其性能在多模态任务上超越了现有竞争对手。这一模型的发布，不仅为构建更智能、更通用的AI应用提供了强大的底层支持，也预示着多模态AI正从单一感知走向深度融合与统一理解的新阶段。