谷歌推出Gemini Embedding 2，这是首个原生多模态嵌入模型，能够将文本、图像、视频、音频和文档映射到同一语义空间，提升AI Agent对现实世界的理解，为多模态应用奠定基础。

谷歌发布了Gemini Embedding 2，这是首个原生多模态嵌入模型，能够将文本、图像、视频和音频映射到3072维向量空间。音频嵌入以固定长度的向量表示，捕捉声音的语义内容，实现跨模态检索。研究显示，模块组合方法在小模型中表现优异，音频嵌入在智能系统、实时监控和多模态工作流中有广泛应用。

谷歌推出Gemini Embedding 2，这是首个全面支持文本、图像、视频、音频和PDF的多模态嵌入模型，能够直接处理各类模态，避免信息损失，并支持灵活的输出维度。Qdrant数据库与之完美适配，简化了不同模态嵌入的存储与检索过程。该技术可应用于多模态检索、跨模态语义搜索和统一内容推荐等领域。