Gemini Embedding 2 Preview 上线：首个原生多模态嵌入模型

谷歌首个原生多模态嵌入模型 Gemini Embedding 2 Preview 上线 API易，支持文本/图片/视频/音频/PDF 统一向量空间，MTEB 英文榜首 68.32，3072 维 MRL 灵活降维，文本仅 $0.20/百万 tokens。

​

核心要点

• 首个原生多模态嵌入：支持文本、图片、视频、音频、PDF 五种模态统一映射到同一向量空间
• MTEB 英文榜首：68.32 分登顶，分类 +9.6、检索 +9.0、聚类 +3.7 领先第二名
• 灵活维度控制：默认 3072 维，支持 128～3072 任意截断（Matryoshka 表征学习），768 维仍达 67.99
• 超长输入支持：文本最大 8192 tokens，图片最多 6 张/请求，视频最长 120 秒
• 100+ 语言覆盖：多语言嵌入能力，MTEB 多语言榜 Top 5

​

背景介绍

2026 年 3 月 10 日，谷歌正式发布 Gemini Embedding 2 Preview，这是 Gemini 系列的首个原生多模态嵌入模型。与此前仅支持文本的 text-embedding-004 和 gemini-embedding-001 不同，Gemini Embedding 2 可以将文本、图片、视频、音频和 PDF 文档统一映射到同一个向量空间，实现真正的跨模态语义检索。

这意味着你可以用一段文本去搜索相关的图片，或者用一张图片去检索匹配的文档——所有模态共享同一套向量表示，无需分别处理。

API易已上架 gemini-embedding-2-preview，支持 OpenAI 兼容的 /v1/embeddings 接口直接调用。

​

详细解析

​

核心特性

原生多模态

文本、图片、视频、音频、PDF 统一向量空间，实现跨模态语义搜索和相似度计算

MTEB 榜首

英文 68.32 分登顶，分类、检索、聚类三项大幅领先，多语言 Top 5

Matryoshka 降维

支持 128～3072 维灵活截断，低维仍保持高质量，按需平衡性能与存储成本

Prompt 指令式任务

告别固定 task_type 枚举，使用自然语言 prompt 描述任务类型，更灵活精确

​

性能亮点

Gemini Embedding 2 Preview 在 MTEB 基准上全面领先：

维度	MTEB 英文总分	说明
3072（默认）	68.32	榜首
2048	68.16	接近满维表现
1536	68.17	适合替代 3-large
768	67.99	存储减半，性能几乎无损

分项领先幅度（相比第二名）：

任务类型	领先幅度
分类	+9.6 分
检索	+9.0 分
聚类	+3.7 分

数据来源：谷歌官方博客（blog.google）及 MTEB 排行榜。Gemini Embedding 2 Preview 于 2026 年 3 月 10 日发布。

​

与前代模型对比

特性	text-embedding-004	gemini-embedding-001	gemini-embedding-2-preview
模态	仅文本	仅文本	文本/图片/视频/音频/PDF
最大输入	2048 tokens	2048 tokens	8192 tokens
默认维度	768	3072	3072
维度范围	有限	MRL 支持	128～3072（MRL）
任务指定	task_type 枚举	task_type 枚举	Prompt 指令式
MTEB 英文	较低	中等	68.32（榜首）
语言	有限	100+	100+

Gemini Embedding 2 与之前版本的嵌入空间不兼容，不能混用不同版本生成的向量。迁移时需要重新生成全部嵌入。

​

多模态输入规格

输入类型	限制	支持格式
文本	最大 8192 tokens	纯文本
图片	每请求最多 6 张	PNG、JPEG
视频	最长 120 秒	MP4、MOV
音频	原生音频嵌入（无需转文本）	常见音频格式
PDF	原生支持	PDF 文档

​

支持的任务类型

Gemini Embedding 2 使用 prompt 指令式任务描述：

任务	说明
语义相似度	评估文本间的语义相似程度
分类	按预设标签对文本分类
聚类	按相似度对文本分组
检索（文档端）	优化文档侧的搜索嵌入
检索（查询端）	优化查询侧的搜索嵌入
代码检索	用自然语言检索代码片段
问答	为 QA 系统生成问题嵌入
事实验证	为事实核查生成陈述嵌入

​

技术规格

参数	Gemini Embedding 2 Preview
模型 ID	gemini-embedding-2-preview
发布日期	2026 年 3 月 10 日
开发商	Google
输入类型	文本、图片、视频、音频、PDF
输出	浮点向量
默认维度	3072
维度范围	128～3072（MRL）
最大文本输入	8192 tokens
语言	100+

​

实际应用

​

推荐场景

1. 跨模态语义搜索：用文本搜图片、用图片搜文档，统一向量空间实现混合检索
2. 多语言 RAG：100+ 语言覆盖，适合构建全球化检索增强生成系统
3. 文档智能分析：直接嵌入 PDF，无需预处理即可建立文档检索库
4. 视频/音频内容检索：原生支持视频和音频嵌入，适合媒体内容管理
5. 聚类与分类：分类 +9.6、聚类 +3.7 的优势，适合大规模内容组织
6. 代码语义搜索：自然语言查询代码片段，提升开发效率

​

代码示例

​

文本嵌入

from openai import OpenAI

client = OpenAI(
    api_key="your-apiyi-key",
    base_url="https://api.apiyi.com/v1"
)

response = client.embeddings.create(
    model="gemini-embedding-2-preview",
    input="谷歌最新的多模态嵌入模型有哪些特点？",
    dimensions=768  # 可选：128～3072
)

embedding = response.data[0].embedding
print(f"维度: {len(embedding)}")

​

批量文本嵌入

texts = [
    "人工智能的最新发展趋势",
    "机器学习在医疗领域的应用",
    "大语言模型的工作原理"
]

response = client.embeddings.create(
    model="gemini-embedding-2-preview",
    input=texts,
    dimensions=1536
)

for i, data in enumerate(response.data):
    print(f"文本 {i}: 维度 {len(data.embedding)}")

​

语义搜索示例

import numpy as np

def cosine_similarity(a, b):
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

# 构建文档库嵌入
docs = ["量子计算原理", "深度学习入门", "区块链技术概述"]
doc_resp = client.embeddings.create(
    model="gemini-embedding-2-preview",
    input=docs,
    dimensions=768
)
doc_embeddings = [d.embedding for d in doc_resp.data]

# 查询
query_resp = client.embeddings.create(
    model="gemini-embedding-2-preview",
    input="神经网络是怎么工作的？",
    dimensions=768
)
query_embedding = query_resp.data[0].embedding

# 计算相似度
for i, doc_emb in enumerate(doc_embeddings):
    sim = cosine_similarity(query_embedding, doc_emb)
    print(f"{docs[i]}: {sim:.4f}")

​

最佳实践

1. 选择合适维度：768 维性价比最优（67.99 分，存储减半），3072 维追求极致精度
2. 注意向量归一化：3072 维已预归一化，降维后需手动归一化
3. 利用 prompt 指令：检索场景区分 query 和 document 端，可显著提升效果
4. 不可混用版本：与 text-embedding-004 或 gemini-embedding-001 的向量空间不兼容，迁移需全量重建

​

价格与可用性

​

定价

输入类型	价格（每百万 tokens）
文本	$0.20
图片	$0.45（约 $0.00012/张）
音频	$6.50（约 $0.00016/秒）
视频	$12.00（约 $0.00079/帧）

​

与竞品价格对比

模型	文本价格/百万 tokens	维度	多模态
gemini-embedding-2-preview	$0.20	3072	✅ 五模态
text-embedding-3-large	$0.13	3072	❌ 仅文本
text-embedding-3-small	$0.02	1536	❌ 仅文本

文本价格略高于 OpenAI text-embedding-3 系列，但 Gemini Embedding 2 是唯一支持五模态统一嵌入的模型，跨模态检索场景无需额外模型。

​

叠加网站充值活动

查看最新充值优惠政策

API易 提供充值加赠优惠，充值越多加赠越多，叠加模型本身的价格优势，实际使用成本更低。

​

可用模型

模型名称	说明
gemini-embedding-2-preview	原生多模态嵌入模型，支持文本/图片/视频/音频/PDF

​

购买渠道

API易平台：

• 官网：apiyi.com
• API 端点：https://api.apiyi.com/v1
• 接口：/v1/embeddings（OpenAI 兼容格式）
• 兼容所有 OpenAI SDK

​

总结与建议

Gemini Embedding 2 Preview 是当前最强大的嵌入模型，也是业界首个原生多模态嵌入模型。它在 MTEB 英文榜登顶，同时支持五种模态的统一向量表示，为跨模态检索开辟了全新可能。

核心优势：

• 多模态统一：文本/图片/视频/音频/PDF 共享向量空间，一个模型搞定所有检索
• 性能榜首：MTEB 68.32 登顶，分类、检索、聚类三项大幅领先
• 灵活降维：MRL 支持 128～3072 维，按需平衡精度与成本
• 超长输入：8192 tokens，4 倍于前代

使用建议：

1. 跨模态检索：首选 Gemini Embedding 2，目前唯一选择
2. 纯文本 + 极致低价：text-embedding-3-small 仍是最便宜的选项
3. 纯文本 + 高精度：Gemini Embedding 2 的 768 维已超越 text-embedding-3-large
4. RAG 场景：8192 tokens 长输入 + 灵活降维，非常适合大文档分块检索

谁应该使用 Gemini Embedding 2：

• 需要跨模态搜索的应用（图搜文、文搜图等）
• 构建多语言 RAG 系统的开发者
• 需要处理 PDF/视频/音频内容的企业场景
• 追求最高嵌入质量的检索系统

信息来源：Google 官方博客（blog.google）、Google AI 开发者文档（ai.google.dev）、MTEB 排行榜。Gemini Embedding 2 Preview 于 2026 年 3 月 10 日发布。数据获取时间：2026 年 3 月 31 日。