Google 推出 Gemini 文本嵌入模型：登頂 MTEB 榜單，支援更長上下文

做大模型應用的朋友都知道，檢索增強生成（RAG）做得好不好，往往不取決於生成模型有多聰明，而是取決於前面的向量模型能不能把關鍵資料翻出來。

過去大家用得最多的可能是各類開源模型或者專用的 Embedding 模型，而 Google 剛剛把自家的底牌掏了出來。

Google 宣佈在 Gemini API 中上線全新的實驗性文本嵌入模型 gemini-embedding-exp-03-07。如果你在 Vertex AI 上使用，它的名稱則是 text-embedding-large-exp-03-07，官方表示未來正式釋出時兩邊的名字會統一下來。

屠榜 MTEB 的新底牌

這個新模型最引人注目的地方，在於它直接是用 Gemini 本身訓練出來的。它繼承了 Gemini 對複雜語言和語境細節的理解能力，取代了 Google 之前的 text-embedding-004。

在公認的文本嵌入基準 MTEB 多語言榜單上，它直接衝到了第一名。平均任務得分達到 68.32 分，比排在它後面的競品足足高出了 5.81 分。

按照 Google 的說法，這個模型被訓練得極其通用，開箱就能在金融、科學、法律和通用搜索等專業領域打出高水平，開發者不需要為了特定場景專門去搞複雜微調。

此外，新模型還支援了更長的輸入 token 長度，用來切分長文件時會比以前省事不少。

呼叫方式沒變，但目前限流

對開發者來說，切換成本幾乎是零。新模型完全相容現有的 embed_content 端點，直接在呼叫程式碼裡把模型名字換成 gemini-embedding-exp-03-07 即可。

不過需要提醒的是，它目前還掛著 exp 實驗標籤，配額和容量有限，隨時可能調整。Google 表示正在收集開發者反饋，爭取在未來幾個月內推出正式穩定的商用版本。

為什麼重要

我們認為，Google 直接拿前沿大模型去蒸餾和訓練專有 Embedding 模型，這一步走得相當務實。

在做知識庫和企業級搜尋時，傳統關鍵詞匹配早就頂不住了，但很多開發者又苦於通用嵌入模型抓不住垂直領域的黑話。Google 新模型在金融、法律和學術場景開箱即用，且領先榜單第二名近 6 分，這意味著企業能直接省下一大筆微調和清洗訓練集的時間成本。

對普通開發者而言，現在很值得在自己的測試集上跑一跑對比，看看它在多語言檢索和長文本切片上的召回率提升。但在生產環境替換前還是要謹慎，畢竟目前官方明確說明了容量受限，拿來跑核心業務有踩坑的風險。

從行業競爭來看，基礎嵌入模型一直是 OpenAI 等廠商築起生態壁壘的護城河。Google 這一次在多語言基準上大幅拉開身位，逼著對手也得儘快更新自家落後的文本向量介面，最終受益的還是苦於 RAG 準確率的開發者們。