Google: Gemini Embedding 2 Preview

Gemini Embedding 2 Preview adalah nama edisi pratinjau dalam keluarga embedding multimodal bawaan Google. Model memetakan teks, gambar, video, audio, dan PDF ke ruang numerik bersama, dengan maksud semantik direpresentasikan dalam lebih dari 100 bahasa. Keluarannya berupa embedding: vektor untuk membandingkan dan menemukan materi terkait. Identitas pratinjau ini tetap terpisah dari edisi stabil Gemini Embedding 2 dan tidak menyiratkan bobot yang dapat saling dipertukarkan atau ruang vektor identik.

Pengumuman awal menjelaskan pencarian lintas modalitas, klasifikasi, pengelompokan, analisis sentimen, dan pembangkitan berbantuan temu kembali sebagai aplikasi berikutnya. Kueri teks dapat menemukan item visual terkait, sementara gambar atau klip juga dapat menjadi sumber pencarian. Aplikasi menyimpan representasi, membandingkannya, dan mengembalikan rekaman terkait; model bahasa terpisah dapat menggunakan materi sumber yang ditemukan untuk menyusun jawaban. Embedding sendiri tidak memuat penjelasan bahasa alami atau transkrip.

Halaman modelnya sendiri mendokumentasikan batas masukan 8.192 token dan dimensi keluaran dari 128 hingga 3.072, dengan 768, 1.536, dan 3.072 sebagai ukuran yang disarankan. Pengumuman pratinjau memberikan nilai bawaan 3.072 dan menjelaskan Matryoshka Representation Learning, yang mempertahankan informasi berguna dalam bagian awal representasi yang lebih pendek. Gunakan satu dimensi terpilih untuk vektor yang harus dibandingkan dan simpan edisi model bersama koleksi alih-alih menggabungkan representasi hanya karena panjangnya sama.

Pengumuman pratinjau mendokumentasikan hingga enam gambar PNG atau JPEG per permintaan, hingga 120 detik video MP4 atau MOV, serta dokumen PDF hingga enam halaman. Pengumuman juga mendokumentasikan embedding audio langsung tanpa transkripsi teks perantara. Spesifikasi ini berasal dari pengumuman pratinjau itu sendiri, bukan panduan stabil berikutnya. Pengumuman tersebut tidak menetapkan setiap batas terkini durasi audio, codec, atau pengambilan sampel bingkai untuk profil pratinjau yang tepat ini.

Masukan multimodal berselang-seling memungkinkan representasi mencerminkan hubungan antarmedia, seperti gambar dan keterangannya. Untuk katalog produk, berikan foto dan deskripsi yang disetujui bersama-sama ketika menjelaskan satu objek yang dapat ditemukan. Untuk koleksi dokumen, bagi sumber menjadi bagian atau halaman terfokus dan pertahankan judul serta posisinya. Untuk pustaka media, pilih klip yang sesuai dengan kejadian yang harus ditemukan pengguna dan simpan rentang waktu asli bersama rekaman tersimpan.

Tugas temu kembali yang berguna membuat hubungan yang dituju tetap jelas. Pertanyaan yang mencari penjelasan, pencarian item serupa secara visual, dan pengelompokan berdasarkan topik adalah tugas berbeda meskipun menggunakan koleksi sumber yang sama. Siapkan konten secara konsisten, catat edisi dan dimensi, serta jaga setiap vektor tetap terhubung dengan sumber. Kemiripan memberikan kandidat untuk diperiksa aplikasi; bukan bukti bahwa dua rekaman menyatakan fakta yang sama atau sumber hasil temu kembali menjawab pertanyaan sepenuhnya.

Untuk pencarian media praktis, representasikan gambar atau cuplikan video yang dipilih dan bandingkan dengan deskripsi konten yang diinginkan. Sajikan sumber yang cocok bersama keterangan atau rentang waktunya agar pengguna dapat meninjau. Untuk asisten pengetahuan, temukan halaman atau bagian relevan sebelum menghasilkan respons tertulis. Peran model Preview adalah representasi numerik multimodal yang mendukung tahap pemilihan tersebut, sedangkan penyimpanan, aturan pemeringkatan, dan jawaban akhir tetap menjadi bagian dari alur di sekelilingnya.