Gemini Embedding: Incrustaciones Generalizables de Gemini

Gemini Embedding: Generalizable Embeddings from Gemini

March 10, 2025

Autores: Jinhyuk Lee, Feiyang Chen, Sahil Dua, Daniel Cer, Madhuri Shanbhogue, Iftekhar Naim, Gustavo Hernández Ábrego, Zhe Li, Kaifeng Chen, Henrique Schechter Vera, Xiaoqi Ren, Shanfeng Zhang, Daniel Salz, Michael Boratko, Jay Han, Blair Chen, Shuo Huang, Vikram Rao, Paul Suganthan, Feng Han, Andreas Doumanoglou, Nithi Gupta, Fedor Moiseev, Cathy Yip, Aashi Jain, Simon Baumgartner, Shahrokh Shahi, Frank Palma Gomez, Sandeep Mariserla, Min Choi, Parashar Shah, Sonam Goenka, Ke Chen, Ye Xia, Koert Chen, Sai Meher Karthik Duddu, Yichang Chen, Trevor Walker, Wenlei Zhou, Rakesh Ghiya, Zach Gleicher, Karan Gill, Zhe Dong, Mojtaba Seyedhosseini, Yunhsuan Sung, Raphael Hoffmann, Tom Duerig

cs.AI

Resumen

En este informe presentamos Gemini Embedding, un modelo de embeddings de última generación que aprovecha el poder de Gemini, el modelo de lenguaje grande más avanzado de Google. Aprovechando las capacidades inherentes de Gemini para comprender múltiples idiomas y código, Gemini Embedding genera embeddings altamente generalizables para textos que abarcan numerosos idiomas y modalidades textuales. Las representaciones generadas por Gemini Embedding pueden precomputarse y aplicarse a una variedad de tareas posteriores, incluyendo clasificación, similitud, agrupamiento, clasificación por relevancia y recuperación de información. Evaluado en el Massive Multilingual Text Embedding Benchmark (MMTEB), que incluye más de cien tareas en más de 250 idiomas, Gemini Embedding supera sustancialmente a los modelos de última generación anteriores, demostrando mejoras considerables en la calidad de los embeddings. Al lograr un rendimiento de vanguardia en los benchmarks multilingües, en inglés y de código de MMTEB, nuestro modelo unificado muestra capacidades sólidas en una amplia selección de tareas y supera a modelos especializados específicos de dominio.

English

In this report, we introduce Gemini Embedding, a state-of-the-art embedding model leveraging the power of Gemini, Google's most capable large language model. Capitalizing on Gemini's inherent multilingual and code understanding capabilities, Gemini Embedding produces highly generalizable embeddings for text spanning numerous languages and textual modalities. The representations generated by Gemini Embedding can be precomputed and applied to a variety of downstream tasks including classification, similarity, clustering, ranking, and retrieval. Evaluated on the Massive Multilingual Text Embedding Benchmark (MMTEB), which includes over one hundred tasks across 250+ languages, Gemini Embedding substantially outperforms prior state-of-the-art models, demonstrating considerable improvements in embedding quality. Achieving state-of-the-art performance across MMTEB's multilingual, English, and code benchmarks, our unified model demonstrates strong capabilities across a broad selection of tasks and surpasses specialized domain-specific models.