Gemini Embedding 2: El Nuevo Sistema de Embeddings Multimodal de Google

1. ¿Qué es un Embedding?

Un embedding es una representación numérica de un dato (texto, imagen, audio, etc.) en forma de vector de alta dimensión. La idea central es que elementos con significado similar producen vectores cercanos en ese espacio.

Esta propiedad hace que los embeddings sean la base de tecnologías como la búsqueda semántica (encontrar documentos por significado, no por palabras exactas), los sistemas RAG (Retrieval-Augmented Generation) y los motores de recomendación.

2. ¿Qué es Gemini Embedding 2?

Gemini Embedding 2 (gemini-embedding-2-preview) es el modelo de embeddings más reciente de Google, disponible en Vertex AI desde el 10 de marzo de 2026. Su diferenciador clave frente a modelos anteriores como text-embedding-004 es que es multimodal desde su diseño: puede generar embeddings de texto, imágenes, audio, video y PDFs, mapeando todos estos tipos en un único espacio vectorial compartido.

3. Ventajas Clave Frente a Modelos Anteriores

Los modelos de embeddings anteriores de Google (como text-embedding-004 o multimodalembedding@001) tenían limitaciones importantes: eran unimodales o multimodales pero con menor capacidad de contexto y sin instrucciones de tarea. Gemini Embedding 2 supera estos puntos en varios frentes.

// Ejemplos de task instructions
{
  "task_type": "RETRIEVAL_DOCUMENT",    // para indexar documentos
  "task_type": "RETRIEVAL_QUERY",       // para queries de búsqueda
  "task_type": "CODE_RETRIEVAL_QUERY",  // para búsqueda de código
  "task_type": "SEMANTIC_SIMILARITY",  // para comparar similitud
  "task_type": "CLASSIFICATION",       // para clasificación
  "task_type": "CLUSTERING"            // para agrupación
}

4. Cómo Usarlo: Ejemplo Práctico con Python

El modelo se accede a través de Vertex AI. Aquí un ejemplo básico de cómo generar embeddings de texto y de imagen en el mismo espacio vectorial:

import vertexai
from vertexai.preview.vision_models import MultiModalEmbeddingModel

vertexai.init(project="my-project", location="us-central1")

model = MultiModalEmbeddingModel.from_pretrained("gemini-embedding-2-preview")

# Embedding de texto con task instruction
text_embeddings = model.get_embeddings(
    contextual_text="How do microservices communicate in a distributed system?",
    task_type="RETRIEVAL_QUERY",
    output_dimensionality=1024  # reducir con MRL
)

print(f"Dimensiones: {len(text_embeddings.text_embedding)}")
# Output: Dimensiones: 1024

from vertexai.preview.vision_models import Image

# Embedding de imagen
image = Image.load_from_file("architecture-diagram.png")

image_embeddings = model.get_embeddings(
    image=image,
    output_dimensionality=1024
)

# Embedding de texto (misma query)
text_embeddings = model.get_embeddings(
    contextual_text="microservices architecture diagram",
    task_type="RETRIEVAL_QUERY",
    output_dimensionality=1024
)

# Ahora puedes comparar texto con imagen directamente
import numpy as np

def cosine_similarity(a, b):
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

similarity = cosine_similarity(
    text_embeddings.text_embedding,
    image_embeddings.image_embedding
)
print(f"Similitud texto-imagen: {similarity:.4f}")
# Si es alta → la imagen es relevante para la query de texto

from vertexai.preview.vision_models import Video, VideoSegmentConfig

# Embedding de un PDF escaneado (OCR automático)
pdf_embeddings = model.get_embeddings(
    video=None,
    image=None,
    contextual_text=None,
    pdf="gs://my-bucket/technical-report.pdf",  # Google Cloud Storage
    output_dimensionality=1024
)

# El modelo hace OCR internamente — no necesitas preprocesar
print(f"Embedding generado: {len(pdf_embeddings.text_embedding)} dims")

5. Casos de Uso Más Relevantes

6. Limitaciones a Tener en Cuenta

Conclusión

Gemini Embedding 2 no es una actualización incremental — es un cambio de paradigma en cómo pensamos los embeddings. La capacidad de unificar texto, imágenes, audio, video y PDFs en un mismo espacio vectorial abre casos de uso que antes requerían múltiples modelos especializados y complejas capas de fusión.

Para los que construimos sistemas RAG o búsqueda semántica, las task instructions y las dimensiones ajustables con MRL son features que en la práctica mejoran tanto la precisión como el costo operativo. Vale la pena evaluarlo ya.