Google 宣布 Gemini Embedding 2 正式可用：跨音视频统一检索

过去做多模态检索，工程师最头疼的就是拼积木：文本用一套向量模型，图片用另一套，视频和音频还得各自切片转码，最后还要想办法把它们硬凑到一起。

Google 宣布其原生多模态向量模型 Gemini Embedding 2 正式商用，通过 Gemini API、Vertex AI 以及 Gemini Enterprise Agent Platform 全面开放。

文本图片视频音频，统一塞进一个向量空间

Gemini Embedding 2 最大的特点在于原生支持文本、图像、视频和音频。数据送进去后，可以在同一个向量空间里直接进行跨模态检索和推理，省去了以往割裂繁琐的数据处理流水线。

在预览阶段，开发者已经用它搭建了电商商品发现引擎和视频分析工具。Google 表示，这项技术此前也是支撑其内部多款核心产品的底层能力，这次正式商用主要带来了生产级别的稳定性和针对性优化。

为什么重要

对于做内容搜索、电商推荐或知识库检索的开发者来说，Gemini Embedding 2 意味着终于不用再维护多套相互独立的嵌入模型了。你现在可以用一句话，直接搜出包含对应画面的视频片段或某段特定音频，开发门槛大幅降低。

我们认为，Google 这一步走得相当实在。多模态大模型的生成能力大家都在卷，但企业落地最先需要的其实是更准、更轻便的多模态检索。把内部自用的底层基础设施直接打包成生产级 API，既强化了 Google 云端生态的吸引力，也切中了多模态 RAG（检索增强生成）最关键的痛点。