Google Lança Novo Modelo Multimodal Gemini Embedding 2

O Gemini Embedding 2 não é só mais um modelo de embedding: é a primeira vez que o Google entrega um modelo nativamente multimodal nessa camada, ou seja, sem precisar de modelos separados para texto, imagem ou áudio, nem de fusão pós-processamento. Ele codifica tudo em um único espaço vetorial coerente, graças ao Matryoshka Representation Learning (MRL), que estrutura informações em camadas hierárquicas, como bonecas russas. Um vetor de 3.072 dimensões pode ser truncado para 256 ou 768 sem colapso de semântica, porque cada prefixo já carrega representações úteis, não apenas ruído. Isso muda a engenharia de sistemas RAG: agora é possível ajustar a granularidade do embedding no runtime, trocando custo por precisão com um parâmetro simples.

Na prática, isso resolve gargalos reais. PDFs digitalizados, por exemplo, são processados com OCR embutido, cada página vira uma imagem + texto extraído, consumindo 258 tokens fixos por página. Vídeos de até 120 segundos entram inteiros, não só como quadros amostrados. E o suporte a 100+ idiomas não é só tradução: o embedding captura equivalências semânticas entre línguas, não só correspondências lexicais. O benchmark MMEB com 68,9 pontos e os ganhos de +27 pontos em Match@20 na Nuuly mostram que essa unificação não é teórica, ela reduz falsos negativos em buscas visuais complexas, como roupas com estampas sutis ou tecidos em diferentes iluminações.

Embeddings são a espinha dorsal de aplicações modernas de IA, mas até agora, quase todos eram monomodais ou exigiam engenharia pesada para juntar modalidades. O Gemini Embedding 2 elimina esse trade-off entre simplicidade e capacidade. Para empresas que operam com catálogos multimodais (varejo, mídia, saúde), isso significa menos infraestrutura para manter, menos latência em pipelines e mais consistência entre busca por descrição textual, por imagem de referência ou por trecho de vídeo. O preço, $0,20 por milhão de tokens, é mais alto que o da OpenAI, mas compensa quando se considera que um único embedding substitui três chamadas distintas (texto + imagem + OCR) e evita custos ocultos de sincronização e normalização de vetores.