Google: Gemini Embedding 2 Preview

Gemini Embedding 2 Preview è l’edizione di anteprima denominata da Google della sua famiglia nativa di embedding multimodale. Trasforma testo, immagini, video, audio e PDF in uno spazio numerico condiviso, con intento semantico rappresentato in oltre 100 lingue. L’output consiste in embedding: vettori usati per confrontare e recuperare materiale correlato. Questa identità di anteprima rimane separata dall’edizione stabile Gemini Embedding 2 e non implica pesi intercambiabili o uno spazio vettoriale identico.

L’annuncio originale descrive ricerca tra modalità, classificazione, clustering, analisi del sentiment e generazione aumentata dal recupero come applicazioni a valle. Una query testuale può trovare un elemento visivo correlato, mentre un’immagine o una clip possono anche fungere da fonte per la ricerca. Un’applicazione memorizza le rappresentazioni, le confronta e restituisce i record corrispondenti; un modello linguistico separato può usare il materiale di origine recuperato per redigere una risposta. L’embedding stesso non contiene una spiegazione in linguaggio naturale o una trascrizione.

La sua pagina specifica del modello documenta un limite di input di 8192 token e dimensioni di output da 128 a 3072, con 768, 1536 e 3072 come dimensioni raccomandate. L’annuncio dell’anteprima indica un valore predefinito di 3072 e descrive Matryoshka Representation Learning, che mantiene informazioni utili in prefissi più corti della rappresentazione. Mantieni una dimensione scelta per i vettori da confrontare e conserva l’edizione del modello insieme alla raccolta, anziché unire rappresentazioni soltanto perché le loro lunghezze coincidono.

L’annuncio dell’anteprima documenta fino a sei immagini PNG o JPEG per richiesta, fino a 120 secondi di video MP4 o MOV e documenti PDF fino a sei pagine. Documenta inoltre embedding diretto dell’audio senza una trascrizione testuale intermedia. Queste specifiche provengono dall’annuncio dell’anteprima stessa, non dalla guida stabile successiva. L’annuncio non stabilisce tutti gli attuali limiti di durata audio, codec o campionamento dei fotogrammi per questo esatto profilo di anteprima.

L’input multimodale intercalato permette alla rappresentazione di riflettere relazioni tra i media, come un’immagine e la sua didascalia. Per un catalogo di prodotti, fornisci insieme fotografia e descrizione approvata quando descrivono un unico oggetto recuperabile. Per una raccolta documentale, suddividi la fonte in passaggi o pagine mirati e preserva titolo e posizione. Per una libreria multimediale, seleziona una clip corrispondente all’evento che gli utenti devono trovare e mantieni l’intervallo temporale originale insieme al record memorizzato.

Un’attività di recupero utile rende chiaro il rapporto desiderato. Una domanda che cerca una spiegazione, una ricerca di elementi visivamente simili e il clustering per argomento sono attività differenti anche quando usano la stessa raccolta di fonti. Prepara il contenuto in modo coerente, registra edizione e dimensione e mantieni ogni vettore collegato alla propria fonte. La similarità fornisce candidati da esaminare all’applicazione; non è prova che due record affermino lo stesso fatto o che una fonte recuperata risponda completamente a una domanda.

Per una ricerca multimediale concreta, rappresenta l’immagine o l’estratto video scelto e confrontalo con la descrizione del contenuto desiderato. Presenta la fonte corrispondente insieme alla didascalia o all’intervallo temporale, affinché un utente possa verificarla. Per un assistente di conoscenze, recupera la pagina o il passaggio pertinente prima di generare la risposta scritta. Il ruolo del modello Preview è la rappresentazione numerica multimodale che supporta queste fasi di selezione, mentre memorizzazione, regole di ordinamento e risposta finale rimangono parti del flusso circostante.