Google: Gemini Embedding 2 Preview

Gemini Embedding 2 Preview je pojmenovaná předběžná edice nativní multimodální embeddingové rodiny společnosti Google. Mapuje text, obrázky, video, zvuk a PDF do společného číselného prostoru s reprezentací sémantického záměru ve více než 100 jazycích. Výstupem jsou embeddingy: vektory používané k porovnávání a vyhledávání souvisejícího materiálu. Identita této předběžné edice zůstává oddělená od stabilní edice Gemini Embedding 2 a neznamená zaměnitelné váhy ani totožný vektorový prostor.

Původní oznámení popisuje jako navazující aplikace vyhledávání napříč modalitami, klasifikaci, shlukování, analýzu sentimentu a generování rozšířené o vyhledávání. Textový dotaz může najít související vizuální položku, zatímco obrázek nebo klip mohou také sloužit jako výchozí podklad hledání. Aplikace ukládá reprezentace, porovnává je a vrací odpovídající záznamy; samostatný jazykový model může z nalezeného zdrojového materiálu napsat odpověď. Samotný embedding neobsahuje vysvětlení v přirozeném jazyce ani přepis.

Vlastní stránka modelu dokumentuje vstupní limit 8192 tokenů a rozměry výstupu od 128 do 3072 s doporučenými velikostmi 768, 1536 a 3072. Oznámení předběžné verze uvádí výchozí hodnotu 3072 a popisuje Matryoshka Representation Learning, které zachovává užitečné informace v kratších počátečních částech reprezentace. Pro vektory, které se mají porovnávat, zachovávejte jeden zvolený rozměr a u kolekce uchovávejte edici modelu, místo abyste slučovali reprezentace pouze proto, že mají stejnou délku.

Oznámení předběžné verze dokumentuje až šest obrázků PNG nebo JPEG na požadavek, až 120 sekund videa MP4 nebo MOV a dokumenty PDF až o šesti stránkách. Dokumentuje také přímé vytváření embeddingů zvuku bez mezilehlého textového přepisu. Tyto specifikace pocházejí z vlastního oznámení předběžné verze, nikoli z pozdějšího průvodce stabilní verzí. Oznámení nestanovuje všechny aktuální limity délky zvuku, kodeků nebo vzorkování snímků pro tento konkrétní předběžný profil.

Prokládaný multimodální vstup umožňuje reprezentaci zachytit vztahy mezi médii, například obrázkem a jeho popiskem. V katalogu produktů dodávejte fotografii a schválený popis společně, pokud popisují jeden vyhledatelný objekt. U kolekce dokumentů rozdělte zdroj na tematicky zaměřené pasáže nebo stránky a zachovejte jeho název a umístění. V knihovně médií zvolte klip odpovídající události, kterou mají uživatelé najít, a u uloženého záznamu zachovejte původní časový rozsah.

Užitečná úloha vyhledávání vyjasňuje zamýšlený vztah. Otázka hledající vysvětlení, hledání vizuálně podobných položek a shlukování podle tématu jsou odlišné úlohy, i když používají stejnou zdrojovou kolekci. Obsah připravujte konzistentně, zaznamenávejte edici a rozměr a každý vektor uchovávejte propojený se zdrojem. Podobnost poskytuje kandidáty ke kontrole aplikací; nedokazuje, že dva záznamy uvádějí stejný fakt nebo že nalezený zdroj plně odpovídá na otázku.

Při praktickém vyhledávání médií reprezentujte vybraný obrázek nebo úryvek videa a porovnejte jej s popisem požadovaného obsahu. Odpovídající zdroj předložte s popiskem nebo časovým rozsahem, aby jej uživatel mohl zkontrolovat. U znalostního asistenta vyhledejte příslušnou stránku nebo pasáž před generováním písemné odpovědi. Úlohou modelu Preview je multimodální číselná reprezentace podporující tyto kroky výběru, zatímco ukládání, pravidla řazení a konečná odpověď zůstávají součástí navazujícího pracovního postupu.