Google: Gemini Embedding 2 Preview

Google: Gemini Embedding 2 Preview é um modelo de embedding do Google, publicado sob o id de modelo google/gemini-embedding-2-preview. Ele está na categoria de embeddings e é descrito pelo Google como seu primeiro modelo de embedding multimodal. É uma versão preview, o que vale a pena notar se você planeja depender dele em produção.

O modelo aceita texto, imagem, arquivo, áudio e vídeo como entrada, e produz embeddings como sua única saída. Seu comprimento de contexto é de 8192 tokens, e a saída máxima é 7372. A descrição do Google afirma que texto e imagens são atualmente suportados para mapeamento em um espaço vetorial unificado, que é a parte da lista de entradas multimodais explicitamente coberta hoje.

Essa combinação aponta para busca semântica e geração aumentada por recuperação, os dois usos que o Google nomeia em sua descrição. Você pode gerar embeddings de documentos e consultas para que um armazenamento vetorial recupere passagens por significado em vez de por palavra-chave, e pode alimentar as passagens recuperadas a um modelo de geração para fundamentar suas respostas. Como imagens podem ser mapeadas no mesmo espaço vetorial que o texto, a recuperação cross-modal também é possível: indexar imagens junto com texto e pesquisar em ambos com uma única consulta. A lista mais ampla de entradas (arquivo, áudio, vídeo) sugere para onde o modelo está caminhando, mas o suporte declarado é texto e imagens, então trate esses como as entradas confiáveis por enquanto.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo google/gemini-embedding-2-preview, da mesma forma que chamaria qualquer outro endpoint de embedding, então bibliotecas cliente OpenAI existentes e caminhos de código funcionam sem alterações. O modelo não lista parâmetros suportados além do básico da requisição, então mantenha suas chamadas simples e evite assumir opções de ajuste que não estão documentadas.

Dois pontos práticos. O contexto de 8192 tokens limita quanto texto você pode embutir em uma única chamada, então documentos longos precisam de chunking antes do embedding. E como este é um modelo preview, se você precisa de um alvo de embedding estável e de longo prazo, um modelo de embedding que não seja preview pode ser a escolha mais segura.