Google: Gemini Embedding 2 Preview

Το Gemini Embedding 2 Preview είναι η ονομασμένη έκδοση Preview της εγγενούς πολυτροπικής οικογένειας embeddings της Google. Αντιστοιχίζει το κείμενο, τις εικόνες, το βίντεο, τον ήχο και τα PDF σε κοινό αριθμητικό χώρο, με σημασιολογική πρόθεση αναπαριστώμενη σε περισσότερες από 100 γλώσσες. Η έξοδος είναι embeddings: διανύσματα που χρησιμοποιούνται για σύγκριση και ανάκτηση σχετικού υλικού. Αυτή η ταυτότητα Preview παραμένει χωριστή από τη σταθερή έκδοση Gemini Embedding 2 και δεν συνεπάγεται εναλλάξιμα βάρη ή ταυτόσημο διανυσματικό χώρο.

Η αρχική ανακοίνωση περιγράφει διατροπική αναζήτηση, ταξινόμηση, ομαδοποίηση, ανάλυση συναισθήματος και παραγωγή ενισχυμένη με ανάκτηση ως μεταγενέστερες εφαρμογές. Ένα ερώτημα κειμένου μπορεί να βρίσκει σχετικό οπτικό στοιχείο, ενώ μια εικόνα ή ένα απόσπασμα μπορεί επίσης να λειτουργεί ως πηγή αναζήτησης. Μια εφαρμογή αποθηκεύει τις αναπαραστάσεις, τις συγκρίνει και επιστρέφει τις αντίστοιχες εγγραφές· ένα χωριστό μοντέλο γλώσσας μπορεί να χρησιμοποιεί το ανακτημένο υλικό πηγής για σύνταξη απάντησης. Το ίδιο το embedding δεν περιέχει εξήγηση φυσικής γλώσσας ή απομαγνητοφώνηση.

Η δική του σελίδα μοντέλου τεκμηριώνει όριο εισόδου 8192 tokens και διαστάσεις εξόδου από 128 έως 3072, με προτεινόμενα μεγέθη 768, 1536 και 3072. Η ανακοίνωση Preview δίνει προεπιλογή 3072 και περιγράφει Matryoshka Representation Learning, που κρατά χρήσιμη πληροφορία σε μικρότερα προθέματα της αναπαράστασης. Κρατήστε μία επιλεγμένη διάσταση για διανύσματα που πρέπει να συγκριθούν και διατηρήστε την έκδοση μοντέλου μαζί με τη συλλογή αντί να συγχωνεύετε αναπαραστάσεις απλώς επειδή ταιριάζουν τα μήκη τους.

Η ανακοίνωση Preview τεκμηριώνει έως έξι εικόνες PNG ή JPEG ανά αίτημα, έως 120 δευτερόλεπτα βίντεο MP4 ή MOV και έγγραφα PDF έως έξι σελίδες. Τεκμηριώνει επίσης άμεσο embedding ήχου χωρίς ενδιάμεση μεταγραφή σε κείμενο. Αυτές οι προδιαγραφές προέρχονται από την ίδια την ανακοίνωση Preview, όχι από τον μεταγενέστερο σταθερό οδηγό. Η ανακοίνωση δεν καθορίζει κάθε τρέχον όριο διάρκειας ήχου, codec ή δειγματοληψίας καρέ για αυτό το ακριβές προφίλ Preview.

Η εναλλασσόμενη πολυτροπική είσοδος επιτρέπει στην αναπαράσταση να αντανακλά σχέσεις μεταξύ μέσων, όπως εικόνα και λεζάντα. Για κατάλογο προϊόντων, δώστε τη φωτογραφία και την εγκεκριμένη περιγραφή μαζί όταν περιγράφουν ένα ανακτήσιμο αντικείμενο. Για συλλογή εγγράφων, διαιρέστε την πηγή σε εστιασμένα αποσπάσματα ή σελίδες και διατηρήστε τον τίτλο και τη θέση της. Για βιβλιοθήκη μέσων, επιλέξτε απόσπασμα που αντιστοιχεί στο γεγονός που πρέπει να βρίσκουν οι χρήστες και κρατήστε το αρχικό χρονικό διάστημά του με την αποθηκευμένη εγγραφή.

Μια χρήσιμη εργασία ανάκτησης κάνει σαφή την επιδιωκόμενη σχέση. Ένα ερώτημα που αναζητά εξήγηση, μια αναζήτηση οπτικά παρόμοιων στοιχείων και η ομαδοποίηση ανά θέμα είναι διαφορετικές εργασίες ακόμη και όταν χρησιμοποιούν την ίδια συλλογή πηγής. Προετοιμάστε το περιεχόμενο με συνέπεια, καταγράψτε την έκδοση και τη διάσταση και κρατήστε κάθε διάνυσμα συνδεδεμένο με την πηγή του. Η ομοιότητα παρέχει υποψηφίους για εξέταση από την εφαρμογή· δεν αποδεικνύει ότι δύο εγγραφές δηλώνουν το ίδιο γεγονός ή ότι ανακτημένη πηγή απαντά πλήρως σε ερώτημα.

Για πρακτική αναζήτηση μέσων, αναπαραστήστε την επιλεγμένη εικόνα ή το απόσπασμα βίντεο και συγκρίνετέ τα με την περιγραφή του επιθυμητού περιεχομένου. Παρουσιάστε την αντίστοιχη πηγή μαζί με τη λεζάντα ή το χρονικό διάστημά της ώστε ο χρήστης να την ελέγχει. Για βοηθό γνώσης, ανακτήστε τη σχετική σελίδα ή το απόσπασμα πριν παράγετε τη γραπτή απόκριση. Ο ρόλος του μοντέλου Preview είναι η πολυτροπική αριθμητική αναπαράσταση που υποστηρίζει αυτά τα βήματα επιλογής, ενώ η αποθήκευση, οι κανόνες κατάταξης και η τελική απάντηση παραμένουν μέρη της περιβάλλουσας ροής εργασίας.