{"id":70681,"date":"2026-03-24T03:02:17","date_gmt":"2026-03-24T03:02:17","guid":{"rendered":"https:\/\/meetcody.ai\/blog\/incrustacion-gemini-2-el-primer-modelo-de-incrustacion-multimodal-de-google\/"},"modified":"2026-03-26T18:07:39","modified_gmt":"2026-03-26T18:07:39","slug":"incrustacion-gemini-2-el-primer-modelo-de-incrustacion-multimodal-de-google","status":"publish","type":"post","link":"https:\/\/meetcody.ai\/es\/blog\/incrustacion-gemini-2-el-primer-modelo-de-incrustacion-multimodal-de-google\/","title":{"rendered":"Incrustaci\u00f3n Gemini 2: el primer modelo de incrustaci\u00f3n multimodal de Google"},"content":{"rendered":"

Gemini Embedding 2: Caracter\u00edsticas, Benchmarks, Precios y C\u00f3mo Empezar<\/em><\/p>\n

La semana pasada, Google public\u00f3 G\u00e9minis<\/a> Incrustaci\u00f3n 2, el primer modelo de incrustaci\u00f3n multimodal nativo construido sobre la arquitectura Gemini. Si trabajas con incrustaciones de alg\u00fan modo, esto merece tu atenci\u00f3n. Tiene el potencial de alterar significativamente los procesos de incrustaci\u00f3n multimodal en los que conf\u00edan la mayor\u00eda de los equipos hoy en d\u00eda. <\/p>\n

Hasta ahora, los modelos emblem\u00e1ticos de incrustaci\u00f3n de OpenAI, Cohere y Voyage se basaban principalmente en el texto. Exist\u00edan algunas opciones multimodales – CLIP<\/a> para la alineaci\u00f3n imagen-texto, Voyage Multimodal 3.5<\/a> para im\u00e1genes y v\u00eddeo – pero ninguna cubr\u00eda todo el espectro de modalidades en un \u00fanico espacio vectorial unificado. Normalmente, hab\u00eda que transcribir el audio antes de incrustarlo. El v\u00eddeo requer\u00eda la extracci\u00f3n de fotogramas combinada con la incrustaci\u00f3n de transcripciones por separado. Las im\u00e1genes viv\u00edan en su propio espacio vectorial. <\/p>\n

Gemini Incrustaci\u00f3n 2 cambia esa ecuaci\u00f3n. Un modelo, una llamada a la API, un espacio vectorial. <\/p>\n

Profundicemos en las novedades.<\/p>\n

\u00bfQu\u00e9 es Gemini Incrustaci\u00f3n 2?<\/h2>\n

Gemini Embedding 2<\/a> (gemini-embedding-2-preview<\/code>) es el primer modelo de incrustaci\u00f3n<\/a> completamente multimodal de Google DeepMind. Toma texto, im\u00e1genes, videoclips, grabaciones de audio y documentos PDF y los convierte todos en vectores que viven en el mismo espacio sem\u00e1ntico compartido. <\/p>\n

A diferencia de enfoques multimodales anteriores, como CLIP, que emparejan un codificador de visi\u00f3n con un codificador de texto y los alinean con aprendizaje contrastivo al final, Gemini Embedding 2 se construye sobre el propio modelo base Gemini. Esto significa que hereda una profunda comprensi\u00f3n intermodal desde la base. <\/p>\n

\"Incrustaciones

Imagen generada con Nano Banana<\/p><\/div>\n

Ejemplo pr\u00e1ctico:<\/strong> Imagina que est\u00e1s construyendo un Sistema de Gesti\u00f3n del Aprendizaje (SGA) con videotutoriales, conferencias de audio y gu\u00edas escritas. Con Gemini Embedding 2, puedes almacenar las incrustaciones de todo este contenido en un \u00fanico espacio vectorial y construir un chatbot basado en RAG<\/a> que recupere trozos<\/a> relevantes de v\u00eddeos, audio y documentos por igual. Anteriormente, esto requer\u00eda un proceso de incrustaci\u00f3n de varias capas, e incluso entonces, s\u00f3lo capturaba transcripciones, perdi\u00e9ndose el contexto visual de un v\u00eddeo o el tono de voz de un orador. <\/p>\n

El modelo utiliza el Aprendizaje de Representaci\u00f3n Matrioska<\/a>, lo que significa que no tienes que utilizar las 3072 dimensiones si no las necesitas. Puedes reducir la escala a 1536 o 768 y seguir obteniendo resultados utilizables. <\/p>\n

El Aprendizaje de la Representaci\u00f3n Matrioska (MRL) es una t\u00e9cnica para entrenar modelos de incrustaci\u00f3n de modo que las representaciones aprendidas sean \u00fatiles no s\u00f3lo en su dimensionalidad completa, sino tambi\u00e9n en varias dimensiones m\u00e1s peque\u00f1as, anidadas unas dentro de otras como mu\u00f1ecas rusas matrioskas. Durante el entrenamiento, la funci\u00f3n de p\u00e9rdida se calcula no s\u00f3lo sobre la incrustaci\u00f3n completa, sino tambi\u00e9n sobre m\u00faltiples prefijos del vector de incrustaci\u00f3n. Esto anima al modelo a empaquetar la informaci\u00f3n m\u00e1s importante en las dimensiones m\u00e1s tempranas, y cada dimensi\u00f3n posterior a\u00f1ade detalles de grano m\u00e1s fino: una estructura de grueso a fino. <\/em><\/p>\n

Modalidades y l\u00edmites de entrada admitidos<\/h2>\n

El modelo acepta cinco tipos de entrada, todos ellos mapeados en el mismo espacio de incrustaci\u00f3n:<\/p>\n\n\n\n\n\n\n\n\n\n
Modalidad<\/th>\nL\u00edmite de entrada<\/th>\nFormatos<\/th>\n<\/tr>\n<\/thead>\n
Texto<\/td>\nHasta 8.192 fichas<\/td>\nTexto sin formato<\/td>\n<\/tr>\n
Im\u00e1genes<\/td>\nHasta 6 im\u00e1genes por solicitud<\/td>\nPNG, JPEG<\/td>\n<\/tr>\n
V\u00eddeo<\/td>\nHasta 120 segundos<\/td>\nMP4, MOV<\/td>\n<\/tr>\n
Audio<\/td>\nHasta 80 segundos (nativo, sin transcripci\u00f3n)<\/td>\nMP3, WAV<\/td>\n<\/tr>\n
PDFs<\/td>\nDirectamente incrustados<\/td>\ndocumentos PDF<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

C\u00f3mo se compara con los modelos existentes<\/h2>\n

TLDR:<\/strong> El nuevo modelo Gemini Embedding 2 de Google supera a sus competidores (su propio predecesor, Amazon Nova 2 y Voyage Multimodal 3.5) en casi todas las modalidades: texto, imagen, v\u00eddeo y voz. Su liderazgo es m\u00e1s convincente en la recuperaci\u00f3n de v\u00eddeo y en la correspondencia imagen-texto. La \u00fanica prueba en la que no gana es en la recuperaci\u00f3n de documentos, en la que Voyage le aventaja ligeramente. La recuperaci\u00f3n de texto hablado es una categor\u00eda que Gemini posee en solitario, ya que ning\u00fan competidor la soporta. <\/p>\n

Google public\u00f3 comparaciones comparativas con sus propios modelos heredados, Amazon Nova 2 Multimodal Embeddings y Voyage Multimodal 3.5. Aqu\u00ed est\u00e1 el cuadro completo: <\/p>\n

Texto-Texto<\/h3>\n\n\n\n\n\n\n
M\u00e9trica<\/th>\nIncrustaci\u00f3n Gemini 2<\/th>\nincrustaci\u00f3n-gemini-001<\/th>\nAmazon Nova 2<\/th>\nViaje Multimodal 3.5<\/th>\n<\/tr>\n<\/thead>\n
MTEB Multiling\u00fce (Tarea media)<\/td>\n69.9<\/strong><\/td>\n68.4<\/td>\n63.8**<\/td>\n58.5***<\/td>\n<\/tr>\n
C\u00f3digo MTEB (Tarea media)<\/td>\n84.0<\/strong><\/td>\n76.0<\/td>\n*<\/td>\n*<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Gemini Incrustaci\u00f3n 2 lidera en texto multiling\u00fce por un c\u00f3modo margen y salta 8 puntos sobre su propio predecesor en recuperaci\u00f3n de c\u00f3digo. Ni Amazon Nova 2 ni Voyage informan de la puntuaci\u00f3n de los c\u00f3digos. <\/p>\n

Texto-Imagen<\/h3>\n\n\n\n\n\n\n
M\u00e9trica<\/th>\nIncrustaci\u00f3n G\u00e9minis 2<\/th>\nincrustaci\u00f3n multimodal@001<\/th>\nAmazon Nova 2<\/th>\nViaje Multimodal 3.5<\/th>\n<\/tr>\n<\/thead>\n
TextCaps (recuerdo@1)<\/td>\n89.6<\/strong><\/td>\n74.0<\/td>\n76.0<\/td>\n79.4<\/td>\n<\/tr>\n
Docci (retirada@1)<\/td>\n93.4<\/strong><\/td>\n–<\/td>\n84.0<\/td>\n83.8<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Una clara ventaja en la recuperaci\u00f3n de texto a imagen: m\u00e1s de 9 puntos por delante del competidor m\u00e1s cercano en ambas pruebas.<\/p>\n

Imagen-Texto<\/h3>\n\n\n\n\n\n\n
M\u00e9trica<\/th>\nIncrustaci\u00f3n G\u00e9minis 2<\/th>\nincrustaci\u00f3n multimodal@001<\/th>\nAmazon Nova 2<\/th>\nViaje Multimodal 3.5<\/th>\n<\/tr>\n<\/thead>\n
TextCaps (recuerdo@1)<\/td>\n97.4<\/strong><\/td>\n88.1<\/td>\n88.9<\/td>\n88.6<\/td>\n<\/tr>\n
Docci (retirada@1)<\/td>\n91.3<\/strong><\/td>\n–<\/td>\n76.5<\/td>\n77.4<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

La recuperaci\u00f3n de imagen a texto muestra las mayores diferencias: casi 15 puntos por delante de Amazon Nova 2 en Docci.<\/p>\n

Documento de texto<\/h3>\n\n\n\n\n\n
M\u00e9trica<\/th>\nIncrustaci\u00f3n G\u00e9minis 2<\/th>\nincrustaci\u00f3n multimodal@001<\/th>\nAmazon Nova 2<\/th>\nViaje Multimodal 3.5<\/th>\n<\/tr>\n<\/thead>\n
ViDoRe v2 (ndcg@10)<\/td>\n64.9<\/td>\n28.9<\/td>\n60.6<\/td>\n65.5**<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

El \u00fanico punto de referencia en el que Voyage Multimodal 3.5 est\u00e1 por delante (autodeclarado). La recuperaci\u00f3n de documentos est\u00e1 muy igualada entre los mejores modelos. <\/p>\n

Texto-V\u00eddeo<\/h3>\n\n\n\n\n\n\n\n
M\u00e9trica<\/th>\nIncrustaci\u00f3n G\u00e9minis 2<\/th>\nincrustaci\u00f3n multimodal@001<\/th>\nAmazon Nova 2<\/th>\nViaje Multimodal 3.5<\/th>\n<\/tr>\n<\/thead>\n
Vatex (ndcg@10)<\/td>\n68.8<\/strong><\/td>\n54.9<\/td>\n60.3<\/td>\n55.2<\/td>\n<\/tr>\n
MSR-VTT (ndcg@10)<\/td>\n68.0<\/strong><\/td>\n57.9<\/td>\n67.0<\/td>\n63.0**<\/td>\n<\/tr>\n
Youcook2 (ndcg@10)<\/td>\n52.5<\/strong><\/td>\n34.9<\/td>\n34.7<\/td>\n31.4**<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

La recuperaci\u00f3n de v\u00eddeo es donde Gemini Incrustaci\u00f3n 2 saca m\u00e1s ventaja: m\u00e1s de 17 puntos por encima de Voyage en Youcook2 y m\u00e1s de 13 puntos en Vatex.<\/p>\n

Discurso-Texto<\/h3>\n\n\n\n\n\n\n
M\u00e9trica<\/th>\nIncrustaci\u00f3n G\u00e9minis 2<\/th>\n<\/tr>\n<\/thead>\n
MSEB (mrr@10)<\/td>\n73.9<\/strong><\/td>\n<\/tr>\n
MSEB ASR**** (mrr@10)<\/td>\n70.4<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

La recuperaci\u00f3n de texto hablado es totalmente indiscutible: ni Amazon ni Voyage la admiten. Se trata de una categor\u00eda que Gemini Embedding 2 domina por completo. <\/p>\n

– puntuaci\u00f3n no disponible ** autodeclarada *** voyage-3.5 **** El modelo ASR convierte las consultas de audio en texto<\/em><\/p>\n

Precios<\/h2>\n

Actualmente, el modelo es gratuito durante la vista previa p\u00fablica. Una vez en el nivel de pago, \u00e9ste es el desglose: <\/p>\n\n\n\n\n\n\n\n\n\n
<\/th>\nNivel gratuito<\/th>\nNivel de pago (por 1M de fichas)<\/th>\n<\/tr>\n<\/thead>\n
Introducci\u00f3n de texto<\/td>\nGratuito<\/td>\n$0.20<\/td>\n<\/tr>\n
Introducci\u00f3n de im\u00e1genes<\/td>\nGratis<\/td>\n0,45 $ (0,00012 $ por imagen)<\/td>\n<\/tr>\n
Entrada de audio<\/td>\nGratuito<\/td>\n6,50 $ (0,00016 $ por segundo)<\/td>\n<\/tr>\n
Entrada de v\u00eddeo<\/td>\nGratuito<\/td>\n12,00 $ (0,00079 $ por fotograma)<\/td>\n<\/tr>\n
Se utiliza para mejorar los productos de Google<\/td>\nS\u00ed<\/td>\nNo<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

C\u00f3mo empezar<\/strong><\/h2>\n

El modelo ya est\u00e1 disponible en vista previa p\u00fablica a trav\u00e9s de la API de G\u00e9minis y Vertex AI con el ID de modelo gemini-embedding-2-preview<\/code>. Se integra con LangChain, LlamaIndex, Haystack, Weaviate, Qdrant, ChromaDB y Vector Search.<\/p>\n

from google import genai\nfrom google.genai import types\n\n# For Vertex AI:\n# PROJECT_ID='<add_here>'\n# client = genai.Client(vertexai=True, project=PROJECT_ID, location='us-central1')\n\nclient = genai.Client()\n\nwith open(\"example.png\", \"rb\") as f:\n    image_bytes = f.read()\n\nwith open(\"sample.mp3\", \"rb\") as f:\n    audio_bytes = f.read()\n\n# Embed text, image, and audio \nresult = client.models.embed_content(\n    model=\"gemini-embedding-2-preview\",\n    contents=[\n        \"What is the meaning of life?\",\n        types.Part.from_bytes(\n            data=image_bytes,\n            mime_type=\"image\/png\",\n        ),\n        types.Part.from_bytes(\n            data=audio_bytes,\n            mime_type=\"audio\/mpeg\",\n        ),\n    ],\n)\n\nprint(result.embeddings)\n<\/code><\/pre>\n
\u00a1Pru\u00e9balo aqu\u00ed!<\/h2>\n
Hemos creado una aplicaci\u00f3n de<\/a> demostraci\u00f3n en la que puedes probar el rendimiento de la recuperaci\u00f3n multimodal de gemini-embedding-2.<\/p>\n
Puedes obtener la Clave API accediendo a aistudio.google.com<\/a>.<\/p>\n
Limitaciones a tener en cuenta<\/h2>\n