Важный релиз от Google - Gemini Embedding 2 - новая мультимодальная модель Что такое embedding-модель и зачем она нужна? Представьте, что любой контент будь то текст, фото, видео или голос нужно превратить в числа так, чтобы похожие вещи оказались рядом в пространстве. Именно на этом строится поиск, рекомендации, RAG-системы. До сих пор для каждой модальности существовали отдельные модели. Gemini Embedding 2 - первая нативно мультимодальная модель от Google, которая помещает текст, изображения, видео и аудио в единое векторное пространство размерностью до 3072 измерений. На видео поиске модель набирает 68.8 vs 55.2 у ближайшего конкурента. Аудио обрабатывается напрямую без транскрибации в текст, что на межъязыковых задачах даёт +5 пунктов просто за счёт сохранения живого звука. Единое пространство для всех модальностей - это значит, что ИИ-агент сможет искать по одному индексу. Без промежуточных конвертаций, без потерь на стыках. Авторы говорят, что следующий шаг agentic RAG: end-to-end обучение, где embedding-модель дообучается под конкретный агентный сценарий целиком.