原生，启动！
刚刚，谷歌发布了首个原生多模态（Multimodal）嵌入模型——
Gemini Embedding 2。
这次模型最大的变化在于：把文本、图像、视频、音频和文档，全部映射进同一个统一的嵌入空间。
换句话说，不同媒介的数据第一次被放进同一个语义坐标系里。
在输入能力上，Gemini Embedding 2支持多种数据类型：
此外，模型不仅可以处理单一模态，还支持多模态混合输入（例如图像 +文本）。
这意味着模型可以捕捉不同媒体之间的复杂语义关系，从而更准确地理解现实世界中的信息。
在评测方面，Gemini Embedding 2不仅整体性能较上一代提升，同时也为多模态嵌入任务树立了新的性能基准。
一方面增强了语音处理能力，另一方面也在文本、图像和视频任务中均超越现有领先模型，实现SOTA。
乍看之下，这似乎只是一次底层的数据工程升级。
但实际上，它正为像龙虾这样的AI Agent真正“看懂”世界，提供了关键基础。
目前，Gemini Embedding 2已经通过Gemini API和Vertex AI展开公测。
原生多模态嵌入
嵌入模型（Embedding Model）本质上是把数据转化为稠密向量表示。
在这个向量空间中，语义相似的数据会彼此靠近，不相似的数据则距离更远。
传统的嵌入模型主要针对文本。
例如，在谷歌此前的论文《Gemini Embedding: Generalizable Embeddings from Gemini》中——
Gemini Embedding通过在大语言模型参数中已有的海量知识基础上构建表征，并将得来的嵌入用于：语义检索、文本聚类、分类，排序等下游任务。
但这只停留在文字阶段。
最新的Gemini Embedding 2，则首次彻底打通了多模态数据。
文本、图片、视频、音频和文档，都被压缩到同一个向量空间之中。
而这，就意味着模型实现了“跨模态语义对齐”，能够让猫这个「文字概念」与猫的照片这个「视觉概念」，在统一的嵌入空间中的数学向量的距离极度接近。
通俗来说，当你搜索“猫”的时候，系统不仅能找到相关文字，还能直接找到猫的图片、视频甚至声音。
也正因为如此，很多原本复杂的多模态流程可以被大幅简化。
从RAG检索、语义搜索、情感分析，到数据聚类等应用场景，都能直接受益。
更重要的是，这类能力对AI Agent意义巨大。
过去的Agent在操作电脑时，往往只能依赖文字信息。
例如识别按钮上的“设置”“确认”等标签。但真实世界的UI界面，大量信息其实来自视觉结构：
图标、布局、颜色、控件位置，正是传统文本嵌入模型难以处理的部分。
而有了多模态嵌入之后，情况就不同了。
对于像OpenClaw（龙虾）这样需要操作电脑，识别屏幕的Agent来说，它不再只是识别文字。
它可以直接理解：哪个像素区域是设置图标、哪个按钮与当前任务最相关，屏幕截图与文本指令之间的关系
换句话说，Gemini Embedding 2提供了一条统一的感官总线。视觉、听觉与文本信息，都能在同一个语义空间中进行关联。
这也为未来Agent真正理解屏幕、理解环境并代替人类操作电脑，奠定了最重要的语义基础。
在技术层面，Gemini Embedding 2继续采用Matryoshka Representation Learning（MRL）。
这种方法允许嵌入向量在保持语义信息的同时进行动态维度缩减。
（注：MRL强制模型把最核心、最关键的特征压缩在向量的前几十维里，次要的特征放在后面，这让开发者可以根据预算和算力，自由决定信息密度的分布管理）
Gemini Embedding 2的默认输出维度为3072维，但开发者可以根据需求缩减，例如：3072维、1536维、768维，从而在性能与存储成本之间取得平衡。
除了支持API调用外，Gemini Embedding 2也支持通过LangChain、LlamaIndex、Haystack、Weaviate、QDrant、ChromaDB和Vector Search等工具调用。
通过为不同类型的数据赋予统一的语义表示，Gemini Embedding 2正在为下一代AI应用：多模态Agent，乃至具身智能机器人提供关键基础设施。
参考链接
[1]https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-embedding-2/
[2]https://arxiv.org/pdf/2503.07891
文章来自于“量子位”，作者 “henry”。
