Gemini Embedding 2: Ein natives multimodales Einbettungsmodell von Gemini

Gemini Embedding 2: A Native Multimodal Embedding Model from Gemini

May 26, 2026

Autoren: Madhuri Shanbhogue, Zhe Li, Shanfeng Zhang, Gustavo Hernández Ábrego, Shih-Cheng Huang, Aashi Jain, Daniel Salz, Sonam Goenka, Chaitra Hegde, Ji Ma, Feiyang Chen, Jiaxing Wu, Tanmaya Dabral, Babak Samari, Kevin Poulet, Daniel Cer, Kaifeng Chen, Paul Suganathan, Hui Hui, Jovan Andonov, Philippe Schlattner, Jay Han, Iftekhar Naim, Wing Lowe, Vladimir Pchelin, Albert Yang, Yi-Ting Chen, Zhongli Ding, Grace Zhang, Georg Heigold, Yichang Chen, Antoine Reveillon, Brendan Mccloskey, Wenlei Zhou, Dahun Kim, Rui Meng, Emma Wang, Jack Zheng, Halley Fede, Zhen Yang, Keegan Mosley, Brian Potetz, Sahil Dua, Henrique Schechter Vera, Shen Gao, Hesen Zhang, Andreas Hess, Hengxuan Ying, Alberto Montes, Karan Gill, Min Choi, Sebastian Russo, Anja Hauth, Jinhyuk Lee, Michael Boratko, Megan Barnes, Vikram Rao, Claudiu Musat, Cyril Allauzen, Ehsan Variani, Shankar Kumar, Tom Bagby, Junyi Jiao, Yang Gu, Tengxin Li, Ayush Agrawal, Roberto Santana, Dev Nath, Stephen Karukas, Shuoxuan Han, Lucia Loher, Alice Twu, Nidhi Vyas, Siddharth Bhai, Frank Palma Gomez, Wangyuan Zhang, Chaoren Liu, Jizheng Yang, Steve Qiu, Shijie Zhang, Sujay Kulkarni, Sascha Rothe, Sean Nakamoto, Raphael Hoffmann, Zach Gleicher, Yunhsuan Sung, Qin Yin, Tom Duerig, Mojtaba Seyedhosseini

cs.AI

Zusammenfassung

Wir stellen Gemini Embedding 2 vor, ein natives multimodales Embedding-Modell, das die Einbettung von Video-, Audio-, Bild- und Textmodalitäten in einen einheitlichen Repräsentationsraum ermöglicht. Wir nutzen die multimodalen Fähigkeiten von Gemini, um Embeddings für beliebige Kombinationen von ineinander verschachtelten Eingaben über all diese Modalitäten hinweg zu erzeugen, die sich über eine Vielzahl von Aufgaben hinweg gut verallgemeinern lassen. Durch die Anwendung von kontrastivem Lernen in großem Maßstab in einem mehrstufigen Multi-Task-Trainingssetup erzielen wir modernste Leistungen bei wichtigen Embedding-Benchmarks, darunter unimodales, crossmodales und multimodales Retrieval über ein breites Spektrum von Aufgaben hinweg. Wir zeigen, dass unser Embedding-Modell über verschiedene Aufgaben hinweg eine starke Leistung erbringt (mit einem Wert von 62,9 R@1 auf MSCOCO, 68,8 NDCG@10 auf Vatex, 69,9 auf MTEB multilingual und 84,0 auf MTEB Code) und die Leistung spezialisierter Modelle übertrifft. Diese einheitlichen Fähigkeiten machen Gemini Embedding 2 zu einem vielversprechenden Kandidaten für nachgelagerte Anwendungsfälle wie RAG, Empfehlungen und Suche. Darüber hinaus etabliert seine robuste Zero-Shot-Leistung in verschiedenen Bereichen – von Astronomie und Biowissenschaften bis hin zu bildender Kunst und Kochkunst – es als eine hochzuverlässige, sofort einsetzbare Repräsentation selbst für spezialisierte Domänen.

English

We introduce Gemini Embedding 2, a native multimodal embedding model that allows embedding video, audio, image, and text modalities in a unified representation space. We leverage the multimodal capabilities of Gemini to produce embeddings for arbitrary combinations of interleaved inputs across all these modalities that generalize well across a wide variety of tasks. Applying large-scale contrastive learning in a multi-task multi-stage training setup, we achieve state-of-the-art performance on key embedding benchmarks including unimodal, cross-modal, and multimodal retrieval spanning a diverse set of tasks. We show that our embedding model demonstrates strong performance (with a score of 62.9 R@1 on MSCOCO, 68.8 NDCG@10 on Vatex, 69.9 on MTEB multilingual and 84.0 on MTEB Code) across a variety of tasks surpassing the performance of specialized models. These unified capabilities make Gemini Embedding 2 a promising candidate for downstream use cases such as RAG, recommendation and search. Furthermore, its robust zero-shot performance across distinct fields - from astronomy and bioscience to fine arts and the culinary arts - establishes it as a highly reliable, out-of-the-box representation even for specialized domains.