让龙虾看懂屏幕！谷歌多模态新成果，文本图像视频音频进同一空间

来源：市场资讯

（来源：量子位）

原生，启动！

刚刚，谷歌发布了首个原生多模态（Multimodal）嵌入模型——

Gemini Embedding 2

这次模型最大的变化在于：把文本、图像、视频、音频和文档，全部映射进同一个统一的嵌入空间。

换句话说，不同媒介的数据第一次被放进同一个语义坐标系里。

在输入能力上，Gemini Embedding 2支持多种数据类型：

此外，模型不仅可以处理单一模态，还支持多模态混合输入（例如图像 +文本）。

这意味着模型可以捕捉不同媒体之间的复杂语义关系，从而更准确地理解现实世界中的信息。

在评测方面，Gemini Embedding 2不仅整体性能较上一代提升，同时也为多模态嵌入任务树立了新的性能基准。

一方面增强了语音处理能力，另一方面也在文本、图像和视频任务中均超越现有领先模型，实现SOTA。

乍看之下，这似乎只是一次底层的数据工程升级。

但实际上，它正为像龙虾这样的AI Agent真正“看懂”世界，提供了关键基础。

目前，Gemini Embedding 2已经通过Gemini API和Vertex AI展开公测。

原生多模态嵌入

嵌入模型（Embedding Model）本质上是把数据转化为稠密向量表示。

在这个向量空间中，语义相似的数据会彼此靠近，不相似的数据则距离更远。

传统的嵌入模型主要针对文本。

例如，在谷歌此前的论文《Gemini Embedding: Generalizable Embeddings from Gemini》中——

Gemini Embedding通过在大语言模型参数中已有的海量知识基础上构建表征，并将得来的嵌入用于：语义检索、文本聚类、分类，排序等下游任务。

但这只停留在文字阶段。

最新的Gemini Embedding 2，则首次彻底打通了多模态数据。

文本、图片、视频、音频和文档，都被压缩到同一个向量空间之中。

而这，就意味着模型实现了“跨模态语义对齐”，能够让猫这个「文字概念」与猫的照片这个「视觉概念」，在统一的嵌入空间中的数学向量的距离极度接近。

通俗来说，当你搜索“猫”的时候，系统不仅能找到相关文字，还能直接找到猫的图片、视频甚至声音。

也正因为如此，很多原本复杂的多模态流程可以被大幅简化。

RAG检索、语义搜索、情感分析，到数据聚类等应用场景，都能直接受益。

更重要的是，这类能力对AI Agent意义巨大。

过去的Agent在操作电脑时，往往只能依赖文字信息。

例如识别按钮上的“设置”“确认”等标签。但真实世界的UI界面，大量信息其实来自视觉结构：

图标、布局、颜色、控件位置，正是传统文本嵌入模型难以处理的部分。

而有了多模态嵌入之后，情况就不同了。

对于像OpenClaw（龙虾）这样需要操作电脑，识别屏幕的Agent来说，它不再只是识别文字。

换句话说，Gemini Embedding 2提供了一条统一的感官总线。视觉、听觉与文本信息，都能在同一个语义空间中进行关联。

这也为未来Agent真正理解屏幕、理解环境并代替人类操作电脑，奠定了最重要的语义基础。

在技术层面，Gemini Embedding 2继续采用Matryoshka Representation Learning（MRL）

这种方法允许嵌入向量在保持语义信息的同时进行动态维度缩减。

（注：MRL强制模型把最核心、最关键的特征压缩在向量的前几十维里，次要的特征放在后面，这让开发者可以根据预算和算力，自由决定信息密度的分布管理）

Gemini Embedding 2的默认输出维度为3072维，但开发者可以根据需求缩减，例如：3072维、1536维、768维，从而在性能与存储成本之间取得平衡。

除了支持API调用外，Gemini Embedding 2也支持通过LangChain、LlamaIndex、Haystack、Weaviate、QDrant、ChromaDB和Vector Search等工具调用。

通过为不同类型的数据赋予统一的语义表示，Gemini Embedding 2正在为下一代AI应用：多模态Agent，乃至具身智能机器人提供关键基础设施。

[1]https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-embedding-2/

[2]https://arxiv.org/pdf/2503.07891