O Google expandiu sua família de modelos Gemini com o lançamento do Gemini Embedding 2. Este modelo de segunda geração sucede o gemini-embedding-001 (somente texto) e foi desenvolvido especificamente para abordar os desafios de armazenamento de alta dimensionalidade e recuperação cross-modal enfrentados por desenvolvedores de IA que constroem sistemas RAG (Retrieval-Augmented Generation) de nível de produção. O lançamento do Gemini Embedding 2 marca uma mudança técnica significativa na arquitetura dos modelos de embedding, afastando-se das pipelines específicas de modalidade em direção a um espaço latente unificado e nativamente multimodal. Multimodalidade Nativa e Entradas Intercaladas O principal avanço arquitetônico no Gemini Embedding 2 é sua capacidade de mapear cinco tipos de mídia distintos — Texto, Imagem, Vídeo, Áudio e PDF — em um único espaço vetorial de alta dimensionalidade. Isso elimina a necessidade de pipelines complexas que anteriormente exigiam modelos separados para diferentes tipos de dados, como CLIP para imagens e modelos baseados em BERT para texto. O modelo suporta entradas intercaladas, permitindo que os desenvolvedores combinem diferentes modalidades em uma única solicitação de embedding. Isso é particularmente relevante para casos de uso onde o texto sozinho não fornece contexto suficiente. Os limites técnicos para essas entradas são definidos como: Texto: Até 8.192 tokens por solicitação. Imagens: Até 6 imagens (PNG, JPEG, WebP, HEIC/HEIF). Vídeo: Até 120 segundos de vídeo (MP4, MOV, etc.). Áudio: Até 80 segundos de áudio nativo (MP3, WAV, etc.) sem exigir uma etapa de transcrição separada. Documentos: Até 6 páginas de arquivos PDF. Ao processar essas entradas nativamente, o Gemini Embedding 2 captura as relações semânticas entre um quadro visual em um vídeo e o diálogo falado em uma faixa de áudio, projetando-os como um único vetor que pode ser comparado a consultas de texto usando métricas de distância padrão como a Similaridade de Cosseno. Eficiência através da Matryoshka Representation Learning (MRL) Os custos de armazenamento e computação são frequentemente os principais gargalos na pesquisa vetorial em larga escala. Para mitigar isso, o Gemini Embedding 2 implementa o Matryoshka Representation Learning (MRL). Os modelos de embedding padrão distribuem as informações semânticas uniformemente em todas as dimensões. Se um desenvolvedor truncar um vetor de 3.072 dimensões para 768 dimensões, a precisão geralmente cai porque a informação é perdida. Em contraste, o Gemini Embedding 2 é treinado para empacotar as informações semânticas mais críticas nas primeiras dimensões do vetor. O modelo padroniza para 3.072 dimensões, mas a equipe do Google otimizou para
Fonte: MarkTechPost
Publicado em 2026-03-11