Pour comprendre comment Gemini Embedding 2 parvient à unifier texte, images et sons, il faut plonger dans ses deux piliers technologiques. Le modèle repose d’abord sur l’architecture Gemini, qui fusionne les forces des anciens modèles LaMDA et PaLM 2. Cette approche permet de générer des “embeddings” – ces vecteurs numériques condensant l’essentiel d’un contenu en quelques centaines de valeurs – avec une précision inédite. Que ce soit pour analyser un texte, décrypter une image ou interpréter un extrait audio, chaque donnée est traduite en un format mathématique préservant son sens et ses liens avec les autres médias.
Le second atout clé réside dans le Matryoshka Representation Learning (MRL), une technique de compression dynamique inspirée des poupées gigognes. Comme ces figurines emboîtées, le modèle “enroule” les informations pour réduire leur taille sans altérer leur signification. Cette flexibilité est cruciale : elle permet d’adapter la quantité de données stockées selon les besoins, tout en maintenant une qualité constante. Résultat : des performances 30 % supérieures aux modèles précédents, que ce soit pour du texte pur, des images, ou un mélange des deux.
Enfin, la capacité à traiter plus de 100 langues sans perdre en nuance est un autre point fort. Gemini Embedding 2 ne se contente pas de décrypter les mots : il restitue aussi les émotions, les intentions et même certains contextes implicites. Comme le souligne l’équipe Google dans une citation interne, « une image vaut mille mots » devient littérale avec ce modèle, qui relie systématiquement chaque média à son contexte textuel – comme un puzzle où chaque pièce trouve sa place.
