Gemini Embedding 2

Gemini Embedding 2 är Googles första inbäddningsmodell som är multimodal från grunden. En inbäddningsmodell gör om innehåll till långa talföljder (vektorer) så att liknande saker hamnar nära varandra, vilket används för sökning, rekommendationer och för att hämta rätt underlag åt en AI (RAG). Gemini Embedding 2 bygger på Gemini-arkitekturen och lägger text, bilder, video, ljud och PDF-dokument i ett och samma rum, så att man till exempel kan söka bland videor med en textfråga. Ljud bäddas in direkt, utan att först skrivas ut som text, och man kan blanda bild och text i samma anrop.

Modellen presenterades i öppen förhandsversion den 10 mars 2026 och blev allmänt tillgänglig den 22 april 2026. Enligt Google hanterar den över 100 språk. Ett anrop kan innehålla upp till 8 192 tokens text, upp till 6 bilder, video på upp till 120 sekunder och PDF:er på upp till 6 sidor. Vektorerna är som standard 3 072 tal långa men kan kortas ned till mellan 128 och 3 072; Google rekommenderar 768, 1 536 eller 3 072.

Google skriver att modellen slår ledande modeller på uppgifter med text, bild och video, men siffrorna redovisas bara i ett diagram. Bland kundexemplen uppger Paramount Skydance 85,3 % träff på första plats vid sökning från text till video. Förhandsversionen fanns i Gemini API och Vertex AI, och den färdiga versionen finns i Gemini API och på Gemini Enterprise Agent Platform. Priset är 0,20 dollar per miljon tokens text, 0,45 dollar per miljon tokens bild, 6,50 för ljud och 12 för video, med halva priset i batchläge.