Google: Gemini Embedding 2 Preview

Gemini Embedding 2 Preview es la edición Preview con nombre propio de la familia nativa de embeddings multimodales de Google. Asigna texto, imágenes, video, audio y PDF a un espacio numérico compartido, con intención semántica representada en más de 100 idiomas. La salida son embeddings: vectores utilizados para comparar y recuperar material relacionado. Esta identidad Preview sigue siendo distinta de la edición estable Gemini Embedding 2 y no implica pesos intercambiables ni un espacio vectorial idéntico.

El anuncio original describe búsqueda entre modalidades, clasificación, agrupación, análisis de sentimiento y generación aumentada por recuperación como aplicaciones posteriores. Una consulta de texto puede encontrar un elemento visual relacionado, mientras que una imagen o clip también pueden actuar como fuente de búsqueda. Una aplicación guarda las representaciones, las compara y devuelve los registros correspondientes; un modelo de lenguaje separado puede utilizar el material de origen recuperado para redactar una respuesta. El embedding por sí mismo no contiene una explicación en lenguaje natural ni una transcripción.

Su propia página del modelo documenta un límite de entrada de 8192 tokens y dimensiones de salida de 128 a 3072, con 768, 1536 y 3072 como tamaños recomendados. El anuncio Preview da un valor predeterminado de 3072 y describe Matryoshka Representation Learning, que conserva información útil en prefijos más cortos de la representación. Mantén una dimensión elegida para los vectores que deban compararse y conserva la edición del modelo junto con la colección, en lugar de mezclar representaciones solo porque coincidan sus longitudes.

El anuncio Preview documenta hasta seis imágenes PNG o JPEG por solicitud, hasta 120 segundos de video MP4 o MOV y documentos PDF de hasta seis páginas. También documenta embeddings directos de audio sin una transcripción textual intermedia. Estas especificaciones proceden del propio anuncio Preview, no de la guía estable posterior. El anuncio no establece todos los límites actuales de duración de audio, códecs o muestreo de fotogramas para este perfil Preview exacto.

La entrada multimodal intercalada permite que la representación refleje relaciones entre medios, como una imagen y su leyenda. Para un catálogo de productos, proporciona juntos la fotografía y la descripción aprobada cuando describan un objeto que deba recuperarse como unidad. Para una colección documental, divide la fuente en pasajes o páginas específicos y conserva su título y posición. Para una biblioteca multimedia, selecciona un clip que corresponda al evento que los usuarios deban encontrar y guarda su intervalo temporal original junto con el registro almacenado.

Una tarea útil de recuperación deja clara la relación prevista. Una pregunta que busca una explicación, una búsqueda de elementos visualmente similares y una agrupación por temas son tareas diferentes aunque utilicen la misma colección de origen. Prepara el contenido de forma coherente, registra la edición y la dimensión y mantén cada vector vinculado a su fuente. La similaridad aporta candidatos que la aplicación debe examinar; no prueba que dos registros afirmen el mismo hecho ni que una fuente recuperada responda por completo a una pregunta.

Para una búsqueda práctica de medios, representa la imagen o extracto de video elegidos y compáralos con la descripción del contenido deseado. Presenta la fuente coincidente junto con su leyenda o intervalo temporal para que un usuario pueda revisarla. Para un asistente de conocimiento, recupera la página o pasaje pertinentes antes de generar la respuesta escrita. La función del modelo Preview es la representación numérica multimodal que permite esos pasos de selección, mientras que el almacenamiento, las reglas de ordenación y la respuesta final siguen formando parte del flujo de trabajo que lo integra.