Google: Gemini Embedding 2 Preview

Gemini Embedding 2 Preview ist Googles benannte Vorschauausgabe seiner nativen multimodalen Embedding-Familie. Sie bildet Text, Bilder, Video, Audio und PDF auf einen gemeinsamen numerischen Raum ab, in dem semantische Absichten über mehr als 100 Sprachen hinweg repräsentiert werden. Die Ausgabe besteht aus Embeddings: Vektoren zum Vergleichen und Abrufen zusammengehörigen Materials. Diese Preview-Identität bleibt von der stabilen Ausgabe Gemini Embedding 2 getrennt und impliziert weder austauschbare Gewichte noch einen identischen Vektorraum.

Die ursprüngliche Ankündigung beschreibt modalitätsübergreifende Suche, Klassifikation, Clustering, Stimmungsanalyse und Retrieval-Augmented Generation als nachgelagerte Anwendungen. Eine Textanfrage kann ein verwandtes visuelles Element finden, während ein Bild oder Clip ebenfalls als Suchausgangspunkt dienen kann. Eine Anwendung speichert die Repräsentationen, vergleicht sie und gibt die zugehörigen Datensätze zurück; ein separates Sprachmodell kann das abgerufene Quellmaterial zum Verfassen einer Antwort verwenden. Das Embedding selbst enthält keine natürlichsprachliche Erklärung und kein Transkript.

Die eigene Modellseite dokumentiert eine Eingabegrenze von 8.192 Tokens und Ausgabedimensionen von 128 bis 3.072, mit 768, 1.536 und 3.072 als empfohlenen Größen. Die Preview-Ankündigung nennt einen Standard von 3.072 und beschreibt Matryoshka Representation Learning, das nützliche Informationen in kürzeren Präfixen der Repräsentation erhält. Verwenden Sie eine gewählte Dimension für Vektoren, die verglichen werden müssen, und halten Sie die Modellversion zusammen mit der Sammlung fest, statt Repräsentationen allein wegen übereinstimmender Längen zusammenzuführen.

Die Preview-Ankündigung dokumentiert bis zu sechs PNG- oder JPEG-Bilder pro Anfrage, bis zu 120 Sekunden MP4- oder MOV-Video und PDF-Dokumente mit bis zu sechs Seiten. Sie dokumentiert außerdem direktes Audio-Embedding ohne zwischengeschaltete Texttranskription. Diese Spezifikationen stammen aus der eigenen Preview-Ankündigung und nicht aus dem späteren Leitfaden zur stabilen Ausgabe. Die Ankündigung legt nicht jede aktuelle Grenze für Audiodauer, Codec oder Einzelbildabtastung dieses konkreten Preview-Profils fest.

Eine Eingabe mit abwechselnden multimodalen Inhalten lässt die Repräsentation Beziehungen zwischen Medien widerspiegeln, etwa zwischen einem Bild und seiner Bildunterschrift. Stellen Sie für einen Produktkatalog Foto und freigegebene Beschreibung gemeinsam bereit, wenn sie ein abrufbares Objekt beschreiben. Teilen Sie bei einer Dokumentensammlung die Quelle in fokussierte Passagen oder Seiten auf und bewahren Sie Titel und Position. Wählen Sie bei einer Medienbibliothek einen Clip passend zu dem Ereignis, das Nutzer finden sollen, und speichern Sie seinen ursprünglichen Zeitbereich beim Datensatz.

Eine nützliche Suchaufgabe macht die beabsichtigte Beziehung deutlich. Eine Frage nach einer Erklärung, eine Suche nach visuell ähnlichen Elementen und thematisches Clustering sind unterschiedliche Aufgaben, selbst wenn sie dieselbe Quellsammlung verwenden. Bereiten Sie Inhalte einheitlich vor, protokollieren Sie Modellversion und Dimension und verknüpfen Sie jeden Vektor mit seiner Quelle. Ähnlichkeit liefert Kandidaten zur Prüfung durch die Anwendung; sie ist kein Beweis, dass zwei Datensätze denselben Fakt aussagen oder eine abgerufene Quelle eine Frage vollständig beantwortet.

Repräsentieren Sie für eine praktische Mediensuche das gewählte Bild oder den Videoausschnitt und vergleichen Sie es mit der Beschreibung des gewünschten Inhalts. Präsentieren Sie die passende Quelle zusammen mit ihrer Bildunterschrift oder ihrem Zeitbereich, damit Nutzer sie prüfen können. Rufen Sie für einen Wissensassistenten die relevante Seite oder Passage ab, bevor Sie die schriftliche Antwort generieren. Die Rolle des Preview-Modells ist die multimodale numerische Repräsentation, die diese Auswahlschritte unterstützt; Speicherung, Rankingregeln und abschließende Antwort bleiben Bestandteile des umgebenden Workflows.