Gemini Embedding 2 - Google 首个原生多模态嵌入模型

引入

2026年3月10日，Google 发布 Gemini Embedding 2，这是首个原生多模态嵌入模型。

什么是 Embedding？

定义

Embedding（嵌入）是将数据转换为数值向量的过程。相似的内容在向量空间中距离更近。

应用场景

• 语义搜索：找到含义相似的内容
• 分类：自动归类内容
• 聚类：发现相似内容组
• RAG：检索增强生成

Gemini Embedding 2 核心特性

1. 多模态统一

• 支持类型：文本、图像、视频、音频、文档
• 统一空间：所有模态映射到同一向量空间
• 跨模态搜索：用文本搜图片，用图片搜视频

2. 多语言支持

• 100+ 语言
• 跨语言搜索：中文查询匹配英文内容

3. 模型信息

• 模型名：gemini-embedding-2-preview
• 文本模型：gemini-embedding-001（文本专用）

代码示例

Python

from google import genai

client = genai.Client()

# 文本嵌入
result = client.models.embed_content(
    model="gemini-embedding-001",
    contents="What is the meaning of life?"
)

print(result.embeddings)

# 批量嵌入
result = client.models.embed_content(
    model="gemini-embedding-001",
    contents=[
        "What is the meaning of life?",
        "What is the purpose of existence?",
        "How do I bake a cake?"
    ]
)

for embedding in result.embeddings:
    print(embedding)

Node.js

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI({});

// 文本嵌入
const response = await ai.models.embedContent({
    model: 'gemini-embedding-001',
    contents: 'What is the meaning of life?',
});

console.log(response.embeddings);

// 批量嵌入
const response = await ai.models.embedContent({
    model: 'gemini-embedding-001',
    contents: [
        'What is the meaning of life?',
        'What is the purpose of existence?',
        'How do I bake a cake?'
    ],
});

console.log(response.embeddings);

cURL

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-embedding-001:embedContent" \
    -H "Content-Type: application/json" \
    -H "x-goog-api-key: ${GEMINI_API_KEY}" \
    -d '{
        "model": "models/gemini-embedding-001",
        "content": {
            "parts": [{
                "text": "What is the meaning of life?"
            }]
        }
    }'

应用场景

1. RAG 系统

# 构建知识库
documents = ["文档1内容", "文档2内容", ...]
embeddings = client.models.embed_content(
    model="gemini-embedding-001",
    contents=documents
)

# 存储到向量数据库
# ...

# 查询
query_embedding = client.models.embed_content(
    model="gemini-embedding-001",
    contents="用户问题"
)

# 相似度搜索
# 返回最相关的文档

2. 跨模态搜索

# 用图片搜索相关文档
image_embedding = client.models.embed_content(
    model="gemini-embedding-2-preview",
    contents=image_data
)

# 在文档向量库中搜索
# 返回与图片语义相关的文档

3. 内容推荐

# 用户兴趣向量
user_interests = client.models.embed_content(
    model="gemini-embedding-001",
    contents=user_history
)

# 计算相似度推荐
# ...

与其他 Embedding 模型对比

模型	模态	语言数	定价
Gemini Embedding 2	多模态	100+	查看 Google AI 定价
OpenAI text-embedding-3-large	文本	多语言	$0.13/1M tokens
OpenAI text-embedding-3-small	文本	多语言	$0.02/1M tokens
Cohere embed-v3	文本	多语言	$0.10/1M tokens

变现机会

内容创作

内容	平台	预估流量
Gemini Embedding 2 入门教程	掘金	10000+
RAG 系统实战	知乎	5000+
跨模态搜索应用	B站	20000+

服务

• RAG 系统开发：¥5000-50000
• 跨模态搜索应用：¥10000-100000
• 企业知识库构建：¥20000-200000

产品

• AI 搜索引擎 SaaS：¥99-999/月
• 文档智能检索工具：¥49-199/月

学习资源

• Gemini API 文档
• Google AI Blog
• File Search Tool

---

创建时间：2026-03-12