Google宣佈升級Gemini API文件搜索功能，基於Gemini Embedding2模型，突破文本檢索限制，整合圖像與複雜文檔，提升多模態RAG能力，助力企業級AI信息檢索準確性邁出關鍵一步。
螞蟻集團與上海交通大學聯合發佈F2LLM-v2系列Embedding模型，旨在打破語義表徵領域的“英語中心主義”。該模型在權威評測MTEB榜單中橫掃11項SOTA，展現統治級性能。作爲全開源方案，它兼顧高性能與極致效率，爲全球開發者提供先進的語義表徵工具。
谷歌發佈Gemini Embedding2多模態嵌入模型，可將文本、圖像、視頻、音頻及PDF統一映射到同一語義空間，簡化AI數據處理，提升多模態檢索與理解能力。這標誌着谷歌從單一文本嵌入邁向統一多模態語義建模。此前，谷歌曾推出支持百種語言的文本嵌入模型。
谷歌推出原生多模態嵌入模型Gemini Embedding2，支持文本、圖像、視頻、音頻和文檔，統一映射到向量空間，實現跨媒體深度理解。與生成式模型不同，它專注於“理解”，將數據轉化爲向量，幫助系統識別語義關係。
Gemini Embedding 是一種先進的文本嵌入模型，通過 Gemini API 提供強大的語言理解能力。
Google
$0.49
輸入tokens/百萬
$2.1
輸出tokens/百萬
1k
上下文長度
Openai
$2.8
$11.2
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$1
$10
256
$6
$24
$4
$16
$2
$20
Baidu
128
Bytedance
$1.2
$3.6
4
s3dev-ai
這是Google embeddinggemma-300m基礎模型的各種GGUF格式量化版本，專門為高效部署和不同場景使用而優化。該模型專注於句子嵌入和相似度計算任務。
nvidia
Llama Nemotron Embedding 1B模型是NVIDIA開發的專為多語言和跨語言文本問答檢索優化的嵌入模型，支持26種語言，能夠處理長達8192個標記的文檔，並可通過動態嵌入大小大幅減少數據存儲佔用。
mlx-community
這是一個轉換為MLX格式的文本嵌入模型，基於Google的EmbeddingGemma-300m模型轉換而來，專門用於句子相似度計算和文本嵌入任務。模型採用BF16精度，適用於蘋果芯片設備上的高效推理。
EmbeddingGemma-300m-8bit是基於sentence-transformers庫實現的句子相似度模型，支持以MLX格式運行，專門用於計算句子嵌入和相似度。該模型從原始模型轉換而來，提供高效的文本特徵提取能力。
EmbeddingGemma 300M 4bit是Google開發的輕量級文本嵌入模型，專門針對MLX框架優化。該模型能夠將文本轉換為高質量的向量表示，適用於各種自然語言處理任務，特別是句子相似度計算和特徵提取。
ggml-org
embeddinggemma-300m-qat-q8_0 GGUF 是一款基於Google embeddinggemma-300m模型的量化版本，專門用於特徵提取和句子相似度計算。該模型經過量化優化，在保持較高精度的同時顯著減小了模型大小和推理開銷。
embeddinggemma-300M是一個經過量化優化的輕量級文本嵌入模型，基於Google的embeddinggemma架構，採用QAT（量化感知訓練）和Q4_0量化技術，參數量為300M。該模型專門用於生成高質量的文本嵌入向量，支持句子相似度計算和特徵提取等任務。
jinaai
Jina Code Embeddings 是一款專為代碼檢索設計的嵌入模型，基於Qwen2.5-Coder-0.5B構建，支持15種以上編程語言，適用於文本到代碼、代碼到代碼、代碼到文本、代碼到補全等多種代碼檢索任務以及技術問答。
tera0711
embeddings 項目是一個基於 LoRA 和 Diffusers 技術的文本到圖像轉換模型，使用 stabilityai/stable-diffusion-3.5-large 作為基礎模型，提供了擴散 LoRA 模板，能夠基於特定模型生成高質量的圖像。
michaelfeil
Qwen3 Embedding 模型系列是通義家族的最新自研模型，專為文本嵌入和排序任務設計，支持100多種語言，在MTEB多語言排行榜上排名第一。
Jina Embeddings v4 是一款專為多模態和多語言檢索設計的通用嵌入模型，特別適用於複雜文檔的檢索，包括包含圖表、表格和插圖的視覺豐富文檔。
Daxtra
Jina Embeddings V3 是一個多語言句子嵌入模型，支持超過100種語言，專注於句子相似度計算和特徵提取任務。
koble-ai
narainp
Jina Embeddings V2 Base 是一個高效的英文句子嵌入模型，專注於句子相似度和特徵提取任務。
ai-sage
Giga Embeddings Instruct 是一個高性能的嵌入模型，專注於文本分類和檢索任務，在多個基準測試中表現出色。
gaianet
Jina Embeddings V2 Base Code 是一個基於轉換器架構的英文文本嵌入模型，專注於代碼相關文本的特徵提取和句子相似度計算。
second-state
Jina Embeddings V2 Base Code 是一個基於轉換器架構的英文句子嵌入模型，專注於代碼相關文本的特徵提取和相似度計算。
ibm-granite
IBM Granite Embedding 30M English 是一個基於 transformer 架構的英文文本嵌入模型，由 IBM 開發併發布。
Haon-Chen
Speed Embedding 7B Instruct 是一個基於 Transformer 架構的大規模語言模型，專注於文本嵌入和分類任務，在多個基準測試中表現出色。
arkohut
Claude本地語義代碼搜索工具，使用EmbeddingGemma模型實現完全離線的多語言代碼智能搜索，通過MCP協議與Claude Code集成，保護隱私且無需API密鑰
Sentence-transformers%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
