Google: Gemini Embedding 2 (batch)

Google: Gemini Embedding 2 (batch) es un modelo de embeddings de Google. Está listado en api14 dentro de la categoría embeddings, y su fecha de lanzamiento por el proveedor es 2026-05-20. Google lo describe como Gemini Embedding 2, el primer modelo de embeddings multimodal de la compañía. En lugar de generar respuestas de chat, produce representaciones vectoriales que almacenas y comparas, lo que lo convierte en un componente básico para sistemas de búsqueda y recuperación en lugar de un asistente con el que conversas.

El modelo acepta entradas de texto, imagen, archivo, audio y video, y su única modalidad de salida son los embeddings. La descripción de Google indica que actualmente se admiten texto e imágenes para mapearlos en un espacio vectorial unificado para búsqueda semántica y generación aumentada por recuperación (RAG), por lo que la lista más amplia de entradas refleja el diseño multimodal del modelo mientras que el mapeo documentado cubre texto e imágenes. La ventana de contexto es de 8192 tokens, y la salida máxima es 7372. Como la salida es un vector en lugar de texto, no hay generación de texto que configurar ni leer.

Esas capacidades apuntan a unos cuantos patrones prácticos. La búsqueda semántica sobre un corpus mixto es el más directo: incrustar documentos y consultas en el mismo espacio y clasificar por similitud, de modo que una consulta de texto pueda mostrar imágenes relevantes o viceversa. Los pipelines de RAG usan la misma propiedad, incrustando fragmentos en el momento de indexar y la pregunta del usuario en el momento de la consulta para que se puedan entregar los pasajes más cercanos a un generador. Como los archivos, el audio y el video se listan como entradas aceptadas, los equipos que trabajan con medios más ricos podrían incrustar ese contenido directamente en lugar de escribir primero un paso separado de transcripción o subtitulado, aunque la descripción actual de Google solo garantiza texto e imágenes.

Llamarlo a través de api14 funciona como cualquier otro modelo en la pasarela, usando la API compatible con OpenAI con el id de modelo "google/gemini-embedding-2:batch". El sufijo batch indica que esta variante está pensada para trabajo de embeddings por lotes. La lista de parámetros admitidos está vacía, así que no hay opciones de solicitud adicionales que configurar más allá de los campos de solicitud estándar que espera el endpoint. Envías tu entrada, recibes los embeddings de vuelta, y gestionas el almacenamiento y la comparación de similitud de tu lado.

La principal restricción a sopesar es la ventana de contexto de 8192 tokens. Los documentos largos deben dividirse en fragmentos antes de incrustarlos, lo cual es normal para el trabajo de recuperación pero añade un paso de fragmentación a tu pipeline. Si tu tarea es generar texto en lugar de representarlo como vectores, un modelo de embeddings es la herramienta equivocada y un modelo de chat o de completado encajará mejor. Si tus entradas son mayoritariamente audio o video y necesitas compatibilidad garantizada en lugar de una modalidad listada, verifica ese comportamiento antes de comprometerte, ya que la descripción de Google actualmente nombra texto e imágenes.