> ## Content Index
> Fetch the complete content index at: https://matveev.tech/llms.txt
> Use this file to discover other available public pages before exploring further.

# Gemini Embedding 2: мультимодальные эмбеддинги Google
- URL: https://matveev.tech/gemini-embedding-2-obzor/
- Published: 2026-03-11T14:45:49.000Z
- Updated: 2026-03-11T14:45:49.000Z
- Description: Google представила Gemini Embedding 2 — первую нативно мультимодальную модель эмбеддингов, которая объединяет текст, картинки, видео и аудио в одно векторное пространство.
- Author: Pavel Matveev
- Tags: Google, AI, LLM, Новости

> TL;DR: Google выпустила Gemini Embedding 2 — первую нативно мультимодальную модель эмбеддингов. Текст, картинки, видео, аудио и PDF-документы теперь можно превратить в векторы в едином пространстве. Доступна через Gemini API и Vertex AI.

Эмбеддинги — штука, которая работает «под капотом» почти всех AI-продуктов: от семантического поиска до RAG. До сих пор большинство моделей эмбеддингов умели работать только с текстом, а для картинок или видео приходилось городить отдельные пайплайны. Google решила это исправить.

## Что такое Gemini Embedding 2?

Это первая модель эмбеддингов от Google, построенная на архитектуре Gemini, которая нативно понимает сразу несколько модальностей.

Модель отображает данные разных типов в единое векторное пространство размерностью до 3072\. Это значит, что ты можешь искать по видео текстовым запросом или сравнивать аудиозапись с PDF-документом — и получить осмысленный результат.

## Какие модальности поддерживаются?

На вход модель принимает текст (до 8192 токенов, это примерно 6000 слов), изображения (до 6 штук за запрос, PNG/JPEG), видео до 120 секунд (MP4/MOV), аудио напрямую без промежуточной транскрипции и PDF-документы до 6 страниц.

Но интереснее другое. Можно передать в одном запросе сразу несколько типов данных, например, картинку и подпись к ней. Модель поймёт связь между ними и учтёт контекст обоих объектов. Google называет это interleaved input.

## Matryoshka-эмбеддинги и гибкость размерности

Gemini Embedding 2 использует технику Matryoshka Representation Learning (MRL). Суть простая: информация «вкладывается» как матрёшка, и ты можешь уменьшить размерность вектора без полной потери качества.

По умолчанию размерность — 3072\. Но можно снизить до 1536 или 768, если нужно сэкономить на хранении или ускорить поиск. Google рекомендует эти три значения как оптимальные по балансу качества и производительности.

Для сравнения: у OpenAI text-embedding-3-large тоже 3072, но мультимодальности там нет.

## Кто уже использует?

Google делится отзывами ранних пользователей, и цифры там любопытные.

Юридический сервис Everlaw встроил модель в e-discovery — поиск по миллионам документов в судебных делах. CTO Max Christoff говорит, что мультимодальность позволила искать не только по текстам, но и по фото и видео в материалах. Раньше для этого нужны были отдельные пайплайны.

У Sparkonomy (платформа для креаторов) задержка снизилась на 70% — они убрали промежуточный LLM-инференс. А оценка семантической близости для пар текст-изображение выросла с 0.4 до 0.8\. Честно, 0.4 → 0.8 звучит почти нереально, но это их цифры.

Mindlid (приложение для ментального здоровья) получили +20% в top-1 recall, когда начали совмещать текстовые диалоги с аудиозаписями в одних эмбеддингах. Ещё отмечают, что API обратно совместим — переход занял минимум времени.

## Как попробовать?

Gemini Embedding 2 доступна в публичной превью через:

- [Gemini API](https://ai.google.dev/?ref=matveev.tech)
- [Vertex AI](https://cloud.google.com/vertex-ai?ref=matveev.tech)

Есть готовые Colab-ноутбуки для обоих вариантов. Из интеграций — LangChain, LlamaIndex, Haystack, Weaviate, Qdrant, ChromaDB и Google Vector Search. Вообще, с таким набором коннекторов проблем с подключением быть не должно.

## Вывод

До сих пор для мультимодального поиска приходилось собирать зоопарк: CLIP для картинок, какой-нибудь text-embedding для текста, а для аудио — вообще отдельная история. Gemini Embedding 2 заменяет всё это одной моделью.

Думаю, больше всего это пригодится в RAG. Если у тебя база знаний с PDF, скриншотами и текстовыми документами, один эмбеддинг-пайплайн вместо трёх — это реально проще и в разработке, и в поддержке.

Модель пока в превью. Я бы не стал тащить её в продакшн без тестов на своих данных, но попробовать точно стоит.

## Что ещё почитать

- [Gemini 3.1 Pro — что нового в модели Google](https://matveev.tech/gemini-3-1-pro-obzor/) — обзор последней версии Gemini Pro
- [Gemini 3.1 Flash-Lite — быстрая и дешёвая модель Google](https://matveev.tech/gemini-3-1-flash-lite-obzor/) — если нужна генерация, а не эмбеддинги
- [Jina VLM — мультиязычная VLM на 2.4B параметров](https://matveev.tech/jina-vlm-obzor/) — ещё один мультимодальный подход, но со стороны open source