Google 宣佈 Gemini Embedding 2 正式可用：跨音影片統一檢索

過去做多模態檢索，工程師最頭疼的就是拼積木：文本用一套向量模型，圖片用另一套，影片和音訊還得各自切片轉碼，最後還要想辦法把它們硬湊到一起。

Google 宣佈其原生多模態向量模型 Gemini Embedding 2 正式商用，通過 Gemini API、Vertex AI 以及 Gemini Enterprise Agent Platform 全面開放。

文本圖片影片音訊，統一塞進一個向量空間

Gemini Embedding 2 最大的特點在於原生支援文本、影像、影片和音訊。資料送進去後，可以在同一個向量空間裡直接進行跨模態檢索和推理，省去了以往割裂繁瑣的資料處理流水線。

在預覽階段，開發者已經用它搭建了電商商品發現引擎和影片分析工具。Google 表示，這項技術此前也是支撐其內部多款核心產品的底層能力，這次正式商用主要帶來了生產級別的穩定性和針對性最佳化。

為什麼重要

對於做內容搜尋、電商推薦或知識庫檢索的開發者來說，Gemini Embedding 2 意味著終於不用再維護多套相互獨立的嵌入模型了。你現在可以用一句話，直接搜出包含對應畫面的影片片段或某段特定音訊，開發門檻大幅降低。

我們認為，Google 這一步走得相當實在。多模態大模型的生成能力大家都在卷，但企業落地最先需要的其實是更準、更輕便的多模態檢索。把內部自用的底層基礎設施直接打包成生產級 API，既強化了 Google 雲端生態的吸引力，也切中了多模態 RAG（檢索增強生成）最關鍵的痛點。