{"id":70683,"date":"2026-03-24T03:02:17","date_gmt":"2026-03-24T03:02:17","guid":{"rendered":"https:\/\/meetcody.ai\/blog\/gemini-embedding-2-pierwszy-multimodalny-model-osadzania-google\/"},"modified":"2026-03-26T18:07:32","modified_gmt":"2026-03-26T18:07:32","slug":"gemini-embedding-2-pierwszy-multimodalny-model-osadzania-google","status":"publish","type":"post","link":"https:\/\/meetcody.ai\/pl\/blog\/gemini-embedding-2-pierwszy-multimodalny-model-osadzania-google\/","title":{"rendered":"Gemini Embedding 2: pierwszy multimodalny model osadzania Google"},"content":{"rendered":"

Gemini Embedding 2: funkcje, testy por\u00f3wnawcze, ceny i spos\u00f3b rozpocz\u0119cia pracy<\/em><\/p>\n

W zesz\u0142ym tygodniu Google opublikowa\u0142o Gemini<\/a> Embedding 2, pierwszy natywnie multimodalny model osadzania zbudowany na architekturze Gemini. Je\u015bli pracujesz z osadzeniami w jakimkolwiek charakterze, zas\u0142uguje to na twoj\u0105 uwag\u0119. Ma potencja\u0142, aby znacz\u0105co zak\u0142\u00f3ci\u0107 potoki osadzania wielu modeli, na kt\u00f3rych polega obecnie wi\u0119kszo\u015b\u0107 zespo\u0142\u00f3w. <\/p>\n

Do tej pory flagowe modele osadzania OpenAI, Cohere i Voyage by\u0142y oparte g\u0142\u00f3wnie na tek\u015bcie. Istnia\u0142o kilka opcji multimodalnych – CLIP<\/a> dla wyr\u00f3wnania obrazu i tekstu, Voyage Multimodal 3.5<\/a> dla obraz\u00f3w i wideo – ale \u017cadna nie obejmowa\u0142a pe\u0142nego spektrum modalno\u015bci w jednej, ujednoliconej przestrzeni wektorowej. D\u017awi\u0119k zazwyczaj musia\u0142 by\u0107 transkrybowany przed osadzeniem. Wideo wymaga\u0142o ekstrakcji klatek w po\u0142\u0105czeniu z oddzielnym osadzaniem transkrypcji. Obrazy \u017cy\u0142y ca\u0142kowicie we w\u0142asnej przestrzeni wektorowej. <\/p>\n

Gemini Embedding 2 zmienia to r\u00f3wnanie. Jeden model, jedno wywo\u0142anie API, jedna przestrze\u0144 wektorowa. <\/p>\n

Przyjrzyjmy si\u0119 nowo\u015bciom.<\/p>\n

Czym jest Gemini Embedding 2?<\/h2>\n

Gemini Embedding 2<\/a> (gemini-embedding-2-preview<\/code>) to pierwszy w pe\u0142ni multimodalny model osadzania<\/a> Google DeepMind. Bierze tekst, obrazy, klipy wideo, nagrania audio i dokumenty PDF i konwertuje je wszystkie na wektory, kt\u00f3re \u017cyj\u0105 w tej samej wsp\u00f3lnej przestrzeni semantycznej. <\/p>\n

W przeciwie\u0144stwie do wcze\u015bniejszych podej\u015b\u0107 multimodalnych, takich jak CLIP, kt\u00f3re \u0142\u0105cz\u0105 koder wizyjny z koderem tekstowym i dostosowuj\u0105 je do kontrastowego uczenia si\u0119 na ko\u0144cu, Gemini Embedding 2 jest zbudowany na samym modelu Gemini. Oznacza to, \u017ce od podstaw dziedziczy g\u0142\u0119bokie zrozumienie intermodalne. <\/p>\n

\"Osadzanie

Obraz wygenerowany przy u\u017cyciu Nano Banana<\/p><\/div>\n

Praktyczny przyk\u0142ad:<\/strong> Wyobra\u017a sobie, \u017ce tworzysz system zarz\u0105dzania nauczaniem (LMS) z samouczkami wideo, wyk\u0142adami audio i pisemnymi przewodnikami. Dzi\u0119ki Gemini Embedding 2 mo\u017cesz przechowywa\u0107 osadzenia dla ca\u0142ej tej zawarto\u015bci w jednej przestrzeni wektorowej i zbudowa\u0107 chatbota opartego na RAG<\/a>, kt\u00f3ry pobiera odpowiednie fragmenty<\/a> zar\u00f3wno z film\u00f3w, audio, jak i dokument\u00f3w. Wcze\u015bniej wymaga\u0142o to wielowarstwowego potoku osadzania – a nawet wtedy przechwytywa\u0142o tylko transkrypcje, pomijaj\u0105c wizualny kontekst wideo lub ton g\u0142osu m\u00f3wcy. <\/p>\n

Model wykorzystuje Matryoshka Representation Learning<\/a>, co oznacza, \u017ce nie musisz u\u017cywa\u0107 wszystkich 3072 wymiar\u00f3w, je\u015bli ich nie potrzebujesz. Mo\u017cna zmniejszy\u0107 rozmiar do 1536 lub 768 i nadal uzyskiwa\u0107 u\u017cyteczne wyniki. <\/p>\n

Matryoshka Representation Learning (MRL) to technika uczenia modeli osadzania tak, aby wyuczone reprezentacje by\u0142y u\u017cyteczne nie tylko w ich pe\u0142nej wymiarowo\u015bci, ale tak\u017ce w r\u00f3\u017cnych mniejszych wymiarach – zagnie\u017cd\u017conych jedna w drugiej jak rosyjskie lalki matrioszki. Podczas treningu funkcja straty jest obliczana nie tylko na pe\u0142nym osadzeniu, ale tak\u017ce na wielu prefiksach wektora osadzenia. Zach\u0119ca to model do upakowania najwa\u017cniejszych informacji w najwcze\u015bniejszych wymiarach, przy czym ka\u017cdy kolejny wymiar dodaje drobniejsze szczeg\u00f3\u0142y – struktur\u0119 od grubej do drobnej. <\/em><\/p>\n

Obs\u0142ugiwane tryby i limity wej\u015bciowe<\/h2>\n

Model akceptuje pi\u0119\u0107 typ\u00f3w danych wej\u015bciowych, z kt\u00f3rych wszystkie s\u0105 mapowane do tej samej przestrzeni osadzania:<\/p>\n\n\n\n\n\n\n\n\n\n
Modalno\u015b\u0107<\/th>\nLimit wej\u015bciowy<\/th>\nFormaty<\/th>\n<\/tr>\n<\/thead>\n
Tekst<\/td>\nDo 8 192 token\u00f3w<\/td>\nZwyk\u0142y tekst<\/td>\n<\/tr>\n
Obrazy<\/td>\nDo 6 obraz\u00f3w na \u017c\u0105danie<\/td>\nPNG, JPEG<\/td>\n<\/tr>\n
Wideo<\/td>\nDo 120 sekund<\/td>\nMP4, MOV<\/td>\n<\/tr>\n
D\u017awi\u0119k<\/td>\nDo 80 sekund (natywny, bez transkrypcji)<\/td>\nMP3, WAV<\/td>\n<\/tr>\n
Pliki PDF<\/td>\nBezpo\u015brednio osadzone<\/td>\nDokumenty PDF<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Jak wypada w por\u00f3wnaniu z istniej\u0105cymi modelami<\/h2>\n

TLDR:<\/strong> Nowy model Google Gemini Embedding 2 przewy\u017csza swoich konkurent\u00f3w (swojego poprzednika, Amazon Nova 2 i Voyage Multimodal 3.5) w niemal ka\u017cdej modalno\u015bci: tek\u015bcie, obrazie, wideo i mowie. Najbardziej przekonuj\u0105co prowadzi w wyszukiwaniu wideo i dopasowywaniu obraz\u00f3w do tekstu. Jedynym testem por\u00f3wnawczym, w kt\u00f3rym nie wygrywa, jest wyszukiwanie dokument\u00f3w, w kt\u00f3rym Voyage nieznacznie wyprzedza. Wyszukiwanie tekstu za pomoc\u0105 mowy to kategoria, w kt\u00f3rej Gemini jest jedynym w\u0142a\u015bcicielem, poniewa\u017c \u017caden konkurent nawet jej nie obs\u0142uguje. <\/p>\n

Google opublikowa\u0142o por\u00f3wnania z w\u0142asnymi starszymi modelami, Amazon Nova 2 Multimodal Embeddings i Voyage Multimodal 3.5. Oto pe\u0142ny obraz sytuacji: <\/p>\n

Tekst-Tekst<\/h3>\n\n\n\n\n\n\n
Metryczny<\/th>\nGemini Embedding 2<\/th>\ngemini-embedding-001<\/th>\nAmazon Nova 2<\/th>\nVoyage Multimodal 3.5<\/th>\n<\/tr>\n<\/thead>\n
MTEB Wieloj\u0119zyczny (\u015brednie zadanie)<\/td>\n69.9<\/strong><\/td>\n68.4<\/td>\n63.8**<\/td>\n58.5***<\/td>\n<\/tr>\n
Kod MTEB (\u015brednie zadanie)<\/td>\n84.0<\/strong><\/td>\n76.0<\/td>\n*<\/td>\n*<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Gemini Embedding 2 prowadzi w wieloj\u0119zycznym tek\u015bcie z wygodnym marginesem i przeskakuje o 8 punkt\u00f3w nad swoim poprzednikiem w wyszukiwaniu kodu. Ani Amazon Nova 2, ani Voyage nie zg\u0142aszaj\u0105 wynik\u00f3w kodu. <\/p>\n

Obraz tekstowy<\/h3>\n\n\n\n\n\n\n
Metryczny<\/th>\nGemini Embedding 2<\/th>\nmultimodalembedding@001<\/th>\nAmazon Nova 2<\/th>\nVoyage Multimodal 3.5<\/th>\n<\/tr>\n<\/thead>\n
TextCaps (recall@1)<\/td>\n89.6<\/strong><\/td>\n74.0<\/td>\n76.0<\/td>\n79.4<\/td>\n<\/tr>\n
Docci (recall@1)<\/td>\n93.4<\/strong><\/td>\n–<\/td>\n84.0<\/td>\n83.8<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Wyra\u017ana przewaga w wyszukiwaniu tekstu na obraz – ponad 9 punkt\u00f3w przewagi nad najbli\u017cszym konkurentem w obu testach por\u00f3wnawczych.<\/p>\n

Obraz-Tekst<\/h3>\n\n\n\n\n\n\n
Metryczny<\/th>\nGemini Embedding 2<\/th>\nmultimodalembedding@001<\/th>\nAmazon Nova 2<\/th>\nVoyage Multimodal 3.5<\/th>\n<\/tr>\n<\/thead>\n
TextCaps (recall@1)<\/td>\n97.4<\/strong><\/td>\n88.1<\/td>\n88.9<\/td>\n88.6<\/td>\n<\/tr>\n
Docci (recall@1)<\/td>\n91.3<\/strong><\/td>\n–<\/td>\n76.5<\/td>\n77.4<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Wyszukiwanie obraz-tekst wykazuje najwi\u0119ksz\u0105 luk\u0119 – prawie 15 punkt\u00f3w przewagi nad Amazon Nova 2 na Docci.<\/p>\n

Dokument tekstowy<\/h3>\n\n\n\n\n\n
Metryczny<\/th>\nGemini Embedding 2<\/th>\nmultimodalembedding@001<\/th>\nAmazon Nova 2<\/th>\nVoyage 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

Jedyny test por\u00f3wnawczy, w kt\u00f3rym Voyage Multimodal 3.5 wyprzedza (zg\u0142oszony przez u\u017cytkownika). Wyszukiwanie dokument\u00f3w jest zbli\u017cone mi\u0119dzy najlepszymi modelami. <\/p>\n

Tekst-Wideo<\/h3>\n\n\n\n\n\n\n\n
Metryczny<\/th>\nGemini Embedding 2<\/th>\nmultimodalembedding@001<\/th>\nAmazon Nova 2<\/th>\nVoyage 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

Pobieranie wideo to miejsce, w kt\u00f3rym Gemini Embedding 2 osi\u0105ga najwi\u0119ksz\u0105 przewag\u0119 – ponad 17 punkt\u00f3w nad Voyage na Youcook2 i ponad 13 punkt\u00f3w na Vatex.<\/p>\n

Mowa-tekst<\/h3>\n\n\n\n\n\n\n
Metryczny<\/th>\nGemini Embedding 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

Pobieranie tekstu mowy jest ca\u0142kowicie bezsporne – ani Amazon, ani Voyage go nie obs\u0142uguj\u0105. Jest to kategoria, kt\u00f3rej Gemini Embedding 2 jest bezpo\u015brednim w\u0142a\u015bcicielem. <\/p>\n

– wynik nie jest dost\u0119pny ** zg\u0142oszony samodzielnie *** voyage-3.5 **** Model ASR konwertuje zapytania audio na tekst<\/em><\/p>\n

Wycena<\/h2>\n

Model jest obecnie darmowy w ramach publicznej wersji zapoznawczej. Po przej\u015bciu na p\u0142atny poziom, oto podzia\u0142: <\/p>\n\n\n\n\n\n\n\n\n\n
<\/th>\nPoziom darmowy<\/th>\nPoziom p\u0142atny (za 1 mln token\u00f3w)<\/th>\n<\/tr>\n<\/thead>\n
Wprowadzanie tekstu<\/td>\nBezp\u0142atnie<\/td>\n$0.20<\/td>\n<\/tr>\n
Wprowadzanie obrazu<\/td>\nBezp\u0142atnie<\/td>\n0,45 USD (0,00012 USD za obraz)<\/td>\n<\/tr>\n
Wej\u015bcie audio<\/td>\nBezp\u0142atnie<\/td>\n6,50 USD (0,00016 USD za sekund\u0119)<\/td>\n<\/tr>\n
Wej\u015bcie wideo<\/td>\nBezp\u0142atnie<\/td>\n12,00 USD (0,00079 USD za klatk\u0119)<\/td>\n<\/tr>\n
U\u017cywane do ulepszania produkt\u00f3w Google<\/td>\nTak<\/td>\nNie<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Pierwsze kroki<\/strong><\/h2>\n

Model jest ju\u017c dost\u0119pny w publicznej wersji zapoznawczej za po\u015brednictwem Gemini API i Vertex AI pod identyfikatorem modelu gemini-embedding-2-preview<\/code>. Integruje si\u0119 z LangChain, LlamaIndex, Haystack, Weaviate, Qdrant, ChromaDB i 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
Wypr\u00f3buj tutaj!<\/h2>\n
Stworzyli\u015bmy aplikacj\u0119<\/a> demonstracyjn\u0105, w kt\u00f3rej mo\u017cna przetestowa\u0107 multimodaln\u0105 wydajno\u015b\u0107 wyszukiwania gemini-embedding-2.<\/p>\n
Klucz API mo\u017cna uzyska\u0107, loguj\u0105c si\u0119 na stronie aistudio.google.com.<\/a><\/p>\n
Ograniczenia, na kt\u00f3re nale\u017cy zwr\u00f3ci\u0107 uwag\u0119<\/h2>\n