Google: Gemini Embedding 2

Google: Gemini Embedding 2 es un modelo de embeddings de Google, listado en api14 bajo el id de modelo google/gemini-embedding-2. Se sitúa en la categoría de embeddings y Google lo describe como el primer modelo de embeddings multimodal de la compañía. En lugar de generar respuestas de chat, convierte las entradas en vectores que puedes almacenar y comparar, lo que lo convierte en un componente básico para sistemas de búsqueda y recuperación en lugar de un asistente con el que hablas directamente.

El modelo acepta entradas de texto, imagen, archivo, audio y video, y su única modalidad de salida son los embeddings. La descripción de Google señala que actualmente se admiten texto e imágenes para mapearlos en un espacio vectorial unificado para búsqueda semántica y generación aumentada por recuperación (RAG). La ventana de contexto es de 8192 tokens, y la salida máxima es de 7372. Debido a que la salida es un vector en lugar de texto, debes esperar consumir el resultado de forma programática, por ejemplo escribiéndolo en un índice vectorial, en lugar de leerlo como texto.

Esas capacidades apuntan a un conjunto de usos bastante específico. La búsqueda semántica sobre una colección de documentos es la más obvia: genera los embeddings de tu corpus una vez, genera el embedding de la consulta en el momento de la solicitud y clasifica por similitud vectorial. Los pipelines de RAG se derivan de la misma idea, donde los pasajes recuperados se pasan a un modelo de generación separado. El soporte de entrada multimodal significa que también puedes construir una recuperación que mezcle texto e imágenes en un solo espacio vectorial, lo que se adapta a catálogos, bibliotecas de medios o cualquier colección donde una consulta en palabras debería poder mostrar una imagen relevante. Las entradas de audio y video se listan como modalidades aceptadas, por lo que indexar esos recursos también es posible, aunque la descripción de Google solo menciona texto e imágenes como actualmente mapeados en el espacio unificado.

Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo google/gemini-embedding-2. Debido a que la interfaz sigue la convención de embeddings de OpenAI, los clientes y SDK existentes que ya apuntan a una URL base compatible con OpenAI deberían funcionar con cambios mínimos. El modelo no lista parámetros admitidos, por lo que no hay nada extra que ajustar en el cuerpo de la solicitud más allá de los campos estándar de una llamada de embeddings, como el id de modelo y la entrada. Si estás migrando un pipeline existente, verifica que no estés dependiendo de parámetros opcionales que este modelo no acepta.

Una consideración práctica es la ventana de contexto de 8192 tokens. Las entradas más largas que eso deben dividirse antes de generar los embeddings, y la estrategia de fragmentación afectará la calidad de la recuperación, así que planifícalo en lugar de asumir que documentos completos caben. También ten en cuenta que este modelo solo produce embeddings. Si tu aplicación necesita texto generado, resúmenes o respuestas, necesitarás un modelo de chat o de completado separado junto a él, con Gemini Embedding 2 encargándose del lado de la recuperación del pipeline.