Google: Gemini Embedding 2 Preview

Gemini Embedding 2 Preview é a edição de pré-visualização com nome próprio da família nativa de embeddings multimodais da Google. Converte texto, imagens, vídeo, áudio e PDF num espaço numérico partilhado, com intenção semântica representada em mais de 100 línguas. A saída são embeddings: vetores utilizados para comparar e recuperar material relacionado. Esta identidade Preview permanece separada da edição estável Gemini Embedding 2 e não implica pesos intercambiáveis nem um espaço vetorial idêntico.

O anúncio original descreve pesquisa entre modalidades, classificação, agrupamento, análise de sentimento e geração aumentada por recuperação como aplicações posteriores. Uma consulta de texto pode encontrar um elemento visual relacionado, enquanto uma imagem ou excerto também pode atuar como fonte de pesquisa. Uma aplicação armazena as representações, compara-as e devolve os registos correspondentes; um modelo de linguagem separado pode utilizar o material de origem recuperado para redigir uma resposta. O embedding, por si só, não contém uma explicação em linguagem natural nem uma transcrição.

A sua própria página de modelo documenta um limite de entrada de 8192 tokens e dimensões de saída de 128 a 3072, com 768, 1536 e 3072 como tamanhos recomendados. O anúncio Preview indica uma predefinição de 3072 e descreve Matryoshka Representation Learning, que conserva informação útil em prefixos mais curtos da representação. Mantenha uma dimensão escolhida para os vetores que têm de ser comparados e conserve a edição do modelo com a coleção, em vez de fundir representações apenas porque os seus comprimentos coincidem.

O anúncio Preview documenta até seis imagens PNG ou JPEG por pedido, até 120 segundos de vídeo MP4 ou MOV e documentos PDF de até seis páginas. Também documenta embeddings diretos de áudio sem uma transcrição textual intermédia. Estas especificações provêm do próprio anúncio da pré-visualização, não do guia estável posterior. O anúncio não estabelece todos os limites atuais de duração de áudio, codecs ou amostragem de fotogramas para este perfil Preview exato.

A entrada multimodal intercalada permite que a representação reflita relações entre conteúdos multimédia, como uma imagem e a sua legenda. Num catálogo de produtos, forneça a fotografia e a descrição aprovada em conjunto quando descrevem um objeto que deve ser recuperado como unidade. Numa coleção documental, divida a fonte em passagens ou páginas focadas e preserve o seu título e posição. Numa biblioteca multimédia, selecione um excerto correspondente ao evento que os utilizadores devem encontrar e mantenha o seu intervalo temporal original com o registo armazenado.

Uma tarefa de recuperação útil torna clara a relação pretendida. Uma pergunta que procura uma explicação, uma pesquisa de elementos visualmente semelhantes e um agrupamento por tema são tarefas diferentes, mesmo quando utilizam a mesma coleção de origem. Prepare o conteúdo de forma consistente, registe a edição e a dimensão e mantenha cada vetor ligado à sua fonte. A similaridade fornece candidatos para a aplicação examinar; não prova que dois registos afirmem o mesmo facto ou que uma fonte recuperada responda completamente a uma pergunta.

Numa pesquisa prática de conteúdos multimédia, represente a imagem ou o excerto de vídeo escolhido e compare-o com a descrição do conteúdo pretendido. Apresente a fonte correspondente juntamente com a legenda ou o intervalo temporal, para que um utilizador a possa rever. Num assistente de conhecimento, recupere a página ou passagem relevante antes de gerar a resposta escrita. O papel do modelo Preview é a representação numérica multimodal que apoia essas etapas de seleção, enquanto o armazenamento, as regras de ordenação e a resposta final permanecem partes do fluxo de trabalho que o integra.