谷歌发布最新 Gemini Embedding 模型：MTEB评测多语言屠榜

Google 近日宣布，其首个 Gemini Embedding 文本模型 (gemini-embedding-001) 已通过 Gemini API 和 Vertex AI 正式向开发者开放。自2025年3月实验性推出以来，该模型一直在 MTEB (Massive Text Embedding Benchmark) 多语言排行榜上占据领先地位，这标志着它在跨领域的关键任务中具备卓越的性能。

MTEB 性能基准的意义

MTEB 是一个衡量文本嵌入模型综合能力的权威基准，它涵盖了从信息检索到文本分类等多种不同维度的任务。gemini-embedding-001 在此基准测试中的持续领先，意味着该模型并非只在特定场景下表现优异，而是在科学、法律、金融和编程等多样化领域都具备统一且强大的语义表示能力。根据 Google 发布的报告，gemini-embedding-001 的性能不仅超越了其自家的旧版模型，也在多个维度上优于市面上的其他商业化模型。

核心技术：Matryoshka 与成本灵活性

该模型的一个核心技术是 Matryoshka Representation Learning (MRL)。这项技术允许开发者根据实际需求，灵活地缩减嵌入向量的输出维度，默认维度为 3072。

这种设计对开发者极为友好。在需要最高精度的场景（如金融或法律文档的精确匹配）下，可以使用完整的 3072 维度。而在对成本和存储更敏感的应用中，可以将其缩减至 1536 或 768 甚至更低的维度，从而在性能和运营成本之间找到最佳平衡点。这种灵活性，加上对超过100种语言的支持和长达2048个token的输入上限，使其成为一个高度通用的模型。

开发者生态与定价策略

Google 为开发者提供了清晰的接入路径和颇具竞争力的定价。gemini-embedding-001 的价格为每100万输入 token 0.15美元，并提供免费使用额度，方便开发者进行实验和原型开发。

开发者可以通过 Gemini API 调用该模型，且它与现有的 embed_content 端点兼容。

from google import genai
client = genai.Client()
result = client.models.embed_content(
model="gemini-embedding-001",
contents="What is the meaning of life?"
)
print(result.embeddings)

与此同时，Google 也公布了旧模型的迁移计划，embedding-001 将于2025年8月14日停止支持，而 text-embedding-004 将于2026年1月14日弃用。Google 明确建议开发者尽早将项目迁移到最新的 gemini-embedding-001 模型上。

此举不仅是技术上的迭代，更是 Google 巩固其 AI 生态系统的重要一步。一个强大、灵活且成本可控的嵌入模型是构建高级别 RAG (Retrieval-Augmented Generation) 等应用的基础。通过为开发者提供这样一个基础工具，Google 正在增强其在人工智能基础设施领域的竞争力。此外，Google 还预告，即将支持 Batch API，以更低的成本异步处理数据，这将进一步降低大规模应用的门槛。