Google sada trpa i PDF-ove i video u isti vektorski prostor
A single 8,192-token input sequence rendered as a dense, elongated bar of glowing electric-blue data blocks stretching across a dark matte surface, dwarfing a tiny 2,048-token bar beside it to visually convey the 4x s...📷 AI illustration
- ★8.192 tokena ulaza, četiri puta više nego prije
- ★Audio se obrađuje nativno, bez transkripcije
- ★Nadmašuje Amazon Nova 2 u prvim benchmarkovima
Googleovo lansiranje Gemini Embeddinga 2 dolazi u trenutku kada je tržište multimodalnih modela već prilično bučno — ali ovdje postoji konkretan tehnički pomak. Za razliku od prethodnog gemini-embedding-001 iz srpnja 2025., koji je bio isključivo tekstualni model s podrškom za 100+ jezika, nova inačica mapira slike, video isječke do 120 sekundi, šestostranične PDF-ove i audio izravno u isti vektorski prostor.
To znači da programer više ne mora provlačiti video kroz poseban model za frame-ove, transkribirati zvuk pa ga onda embeddingati — model sve prima nativno. Prema objavi na The Decoderu, riječ je o prvom Googleovom modelu koji ujedinjuje sve modalitete bez posrednih koraka, što ga pozicionira kao ozbiljnog konkurenta modelima poput Voyage Multimodal 3.5.
Tehnički gledano, ograničenja su jasna: šest slika po zahtjevu, video do dvije minute, PDF do šest stranica. Nije neograničeno, ali za većinu enterprise RAG scenarija — dovoljno. Posebno je zanimljiva tvrdnja o nativnoj audio obradi: ako model zaista izvlači semantičke značajke iz sirovog zvučnog zapisa bez transkripcijskog međukoraka, to otvara vrata preciznijem pretraživanju podcasta, sastanaka i video sadržaja gdje ton i intonacija nose značenje koje transkript gubi.
Jaz između multimodalnog obećanja i stvarnog deploymenta
A single raw audio waveform visualized as a 3D volumetric signal flowing directly into a unified vector space representation alongside text and video frames without any transcription layer, showing the pipeline bypass.📷 AI illustration
Dodatni kontekst daje izvorni materijal, no, ovdje treba zadržati dozu skepse. Google tvrdi da Gemini Embedding 2 nadmašuje Amazon Nova 2 i Voyage Multimodal 3.5 u benchmarkovima — ali koji su to benchmarkovi, na kojim podacima i tko ih je birao? Industrija embedding modela ima dugu tradiciju objavljivanja impresivnih brojki na sintetičkim testovima koje se raspadnu čim ih bacite na stvarni, neuredni produkcijski dataset.
Četverostruko povećanje kontekstnog prozora — s 2.048 na 8.192 tokena — jest stvaran napredak, ali dolazi s neizbježnim pitanjem latencije i cijene. Ako obrada 8K tokena traje osjetno dulje ili košta proporcionalno više, developeri će i dalje sjeckati dokumente na manje chunkove i koristiti starije modele. Prava bitka se ne vodi na liderskim pločama, nego u produkcijskim pipelineovima gdje svaka milisekunda kašnjenja znači lošije korisničko iskustvo.
Zaključno, Gemini Embedding 2 je tehnički značajan iskorak koji rješava stvaran problem fragmentacije multimodalnih pipelineova, ali njegova stvarna vrijednost ovisit će o tri faktora koje Google zasad ne otkriva: cijeni po API pozivu, latenciji na velikim volumenima i robusnosti na nestrukturiranim podacima izvan laboratorijskih uvjeta.