Google: Gemini Embedding 2 Preview

Gemini Embedding 2 Preview est l’édition preview nommée par Google de sa famille native de plongement multimodal. Elle projette le texte, les images, la vidéo, l’audio et les PDF dans un espace numérique partagé, avec une intention sémantique représentée dans plus de 100 langues. La sortie consiste en plongements : des vecteurs utilisés pour comparer et retrouver des matériaux liés. Cette identité preview reste distincte de l’édition stable Gemini Embedding 2 et n’implique ni des poids interchangeables ni un espace vectoriel identique.

L’annonce d’origine décrit la recherche entre modalités, la classification, le regroupement, l’analyse de sentiment et la génération augmentée par la recherche comme des applications en aval. Une requête textuelle peut trouver un élément visuel lié, tandis qu’une image ou un extrait peuvent aussi servir de source de recherche. Une application stocke les représentations, les compare et renvoie les enregistrements correspondants ; un modèle de langage distinct peut utiliser les sources retrouvées pour rédiger une réponse. Le plongement lui-même ne contient ni explication en langue naturelle ni transcription.

Sa propre page de modèle documente une limite d’entrée de 8192 tokens et des dimensions de sortie de 128 à 3072, avec 768, 1536 et 3072 comme tailles recommandées. L’annonce de la preview donne une valeur par défaut de 3072 et décrit Matryoshka Representation Learning, qui conserve des informations utiles dans des préfixes plus courts de la représentation. Gardez une dimension choisie pour les vecteurs à comparer et conservez l’édition du modèle avec la collection, plutôt que de fusionner des représentations simplement parce que leurs longueurs correspondent.

L’annonce de la preview documente jusqu’à six images PNG ou JPEG par requête, jusqu’à 120 secondes de vidéo MP4 ou MOV et des documents PDF de six pages au maximum. Elle documente aussi le plongement direct de l’audio sans transcription textuelle intermédiaire. Ces spécifications proviennent de l’annonce propre à la preview, et non du guide stable ultérieur. L’annonce n’établit pas toutes les limites actuelles de durée audio, de codec ou d’échantillonnage d’images vidéo pour ce profil preview exact.

L’entrée multimodale entrelacée permet à la représentation de refléter les relations entre médias, par exemple une image et sa légende. Pour un catalogue produit, fournissez ensemble la photographie et la description approuvée lorsqu’elles décrivent un même objet à retrouver. Pour une collection documentaire, divisez la source en passages ou en pages ciblés et préservez son titre et sa position. Pour une médiathèque, choisissez un extrait correspondant à l’événement que les utilisateurs doivent trouver et gardez sa plage temporelle d’origine avec l’enregistrement stocké.

Une tâche de recherche utile rend claire la relation visée. Une question cherchant une explication, une recherche d’éléments visuellement similaires et un regroupement par sujet sont des tâches différentes, même lorsqu’elles utilisent la même collection source. Préparez le contenu de manière cohérente, consignez l’édition et la dimension et gardez chaque vecteur lié à sa source. La similarité fournit des candidats à examiner par l’application ; elle ne prouve pas que deux enregistrements énoncent le même fait ou qu’une source retrouvée répond entièrement à une question.

Pour une recherche concrète de médias, représentez l’image ou l’extrait vidéo choisis et comparez-les à la description du contenu souhaité. Présentez la source correspondante avec sa légende ou sa plage temporelle afin que l’utilisateur puisse la vérifier. Pour un assistant de connaissances, retrouvez la page ou le passage pertinents avant de générer la réponse écrite. Le rôle du modèle Preview est la représentation numérique multimodale qui soutient ces étapes de sélection, tandis que le stockage, les règles de classement et la réponse finale restent des parties du processus environnant.