O Dia Em Que Eu Deletei Três Pipelines

Meu sistema de RAG multimodal era um Frankenstein. Um modelo de embedding para texto (OpenAI text-embedding-3-large). Outro para imagens (CLIP). Outro para áudio (Whisper → texto → embedding). Três modelos, três índices vetoriais, código de “cola” para alinhar os espaços — e bugs em cada costura.

Em 10 de março de 2026, o Google lançou o Gemini Embedding 2 e eu deletei os três pipelines. Substituí por uma única chamada de API que retorna um vetor de 3.072 dimensões — não importa se a entrada é texto, imagem, vídeo, áudio ou PDF.

A sensação foi como trocar três carros diferentes (um para cidade, um para estrada, um para off-road) por um único veículo que faz tudo. Menos manutenção. Menos bugs. Menos noites de debugging. E melhor performance em cada modalidade individual.

Quando eu entendi a fundo como funciona, percebi que esse modelo muda fundamentalmente como construímos RAG em 2026. E conecta com tudo que escrevi sobre chunking, retrieval e contexto.

O Problema Que Ele Resolve (O Inferno Multimodal)

Para quem não trabalha com embeddings no dia a dia, preciso contextualizar por que esse lançamento importa tanto.

Embeddings são a fundação de qualquer sistema de busca semântica ou RAG. É o processo de transformar qualquer dado — uma frase, uma imagem, um trecho de áudio — em um vetor numérico (uma lista de números) que captura seu significado. Vetores similares em significado ficam próximos no espaço vetorial. É assim que o RAG “encontra” informação relevante.

O problema até março de 2026: cada tipo de dado precisava de um modelo diferente. Texto ia para text-embedding-3-large (OpenAI) ou BGE-M3. Imagens iam para CLIP ou SigLIP. Áudio precisava ser transcrito (Whisper) antes de virar embedding de texto. Vídeo? Nem existia solução integrada.

Cada modelo produzia vetores em espaços diferentes. Um vetor de texto e um vetor de imagem não podiam ser comparados diretamente porque viviam em “universos matemáticos” distintos. Para fazer busca cross-modal (“encontre imagens relevantes para esta frase”), você precisava de código de alinhamento, projeções lineares, ou simplesmente manter índices separados.

O resultado: pipelines frágeis, caros de manter, e com performance limitada pela costura entre modelos.

O Que o Gemini Embedding 2 Faz

O Gemini Embedding 2 é o primeiro modelo de embedding nativamente multimodal do Google. Uma única chamada de API aceita texto, imagens (até 6), vídeo (até 128 segundos), áudio (até 80 segundos) e PDFs (até 6 páginas) — e retorna um vetor de 3.072 dimensões que captura o significado cruzado de todas as modalidades.

Disponível como gemini-embedding-2-preview via Gemini API e Vertex AI. Suporta 100+ idiomas. Os números de benchmark (publicados pelo Google, aguardando verificação independente completa):

MTEB English: 68,32 — #1, com margem de 5,09 pontos sobre o segundo lugar. O benchmark mais respeitado para embeddings de texto.

Video retrieval (Vatex, MSR-VTT, Youcook2): 68,8 — Amazon Nova 2 fica em 60,3 (+8,5 pontos). Voyage Multimodal 3.5 em 55,2 (+13,6 pontos).

Top-5 no MTEB Multilingual — performance consistente em 100+ idiomas.

Suporta 8 tipos de tarefa explícitos: similaridade semântica, classificação, clustering, retrieval (lado documento e lado query), code retrieval, question answering, e verificação de fatos. Especificar o tipo otimiza o vetor para o caso de uso.

Matryoshka: A Boneca Russa dos Vetores

A feature técnica que mais me impressionou: Matryoshka Representation Learning (MRL).

O nome vem das bonecas russas — cada boneca menor está “aninhada” dentro da maior. O mesmo princípio se aplica aos vetores: as primeiras 768 dimensões do vetor de 3.072 carregam a informação mais importante. As dimensões 769-1.536 adicionam nuance. As dimensões 1.537-3.072 adicionam precisão fina.

Isso significa que você pode truncar o vetor sem retreinar o modelo. Em vez de usar os 3.072 completos, pode usar apenas 768 dimensões — com perda mínima de qualidade e 75% de redução em armazenamento e velocidade de busca.

A matemática: 1 milhão de vetores a 3.072 dimensões (float32) ocupa ~12 GB. A 768 dimensões: ~3 GB. Para quem indexa milhões de documentos, imagens e vídeos, a diferença é entre “preciso de um servidor dedicado” e “cabe no meu laptop”.

O Google recomenda 768 para produção — “qualidade próxima do pico com um quarto do custo de armazenamento.” Dimensões disponíveis: 128, 256, 512, 768, 1.536, 2.048, 3.072.

A Conexão Com RAG Multimodal

Quando eu conecto o Gemini Embedding 2 com tudo que escrevi sobre RAG, chunking e context engineering, o impacto fica claro:

RAG multimodal sem “cola”. Antes, buscar “o que discutimos na reunião sobre preços?” exigia transcrever o áudio, embeddar o texto, e depois buscar. Agora: embedde o áudio diretamente e busque com uma query de texto. Um modelo. Um índice. Uma busca.

Legal discovery. A Everlaw já usa o Gemini Embedding 2 para ajudar advogados a buscar em milhões de registros durante litígio — incluindo imagens e vídeos em materiais de caso. O CTO reporta melhoria em precisão e recall.

Knowledge bases de reuniões. Embedde gravações de reuniões diretamente e busque com queries de texto. “O que falamos sobre a mudança de preço?” encontra o segmento relevante sem transcrição.

Chunking de vídeo. Lembra do post sobre chunking? Para texto, a discussão era sobre tokens e fronteiras semânticas. Para vídeo, o Gemini Embedding 2 resolve diferente: aceita até 128 segundos de vídeo como input único. Para vídeos mais longos, a estratégia é segmentar em clips de 2 minutos e embeddar cada um — criando um “índice temporal” buscável.

O Preço (Surpreendentemente Acessível)

Texto: $0,20 por milhão de tokens. Batch API: metade disso ($0,10/M). Para comparação, text-embedding-3-large da OpenAI custa $0,13/M mas é text-only. A diferença de $0,07 compra 5 modalidades.

Imagem, áudio e vídeo seguem a tabela padrão de tokens de mídia da Gemini API.

Para a maioria dos projetos, a conta de embedding é uma fração do custo de inferência do LLM. E a eliminação de múltiplos modelos e pipelines reduz custo de engenharia significativamente.

As Ressalvas (Porque Nada É Perfeito)

Benchmarks são do Google. MTEB English é independente (e o #1 é verificável). Mas os benchmarks de vídeo (Vatex, MSR-VTT, Youcook2) e as comparações com Amazon Nova 2 e Voyage são números do vendor. Como o analista Ewan Mak escreveu: “Benchmarks independentes contarão uma história mais completa ao longo do tempo. Dito isso, as margens são grandes o suficiente para que mesmo com algum ajuste, a posição relativa provavelmente se mantenha.”

Limites de input. 8.192 tokens para texto. 6 imagens. 128 segundos de vídeo. 80 segundos de áudio. 6 páginas de PDF. Para documentos ou vídeos longos, é necessário segmentar — voltamos ao problema de chunking, agora em múltiplas modalidades.

Preview, não GA. Em julho de 2026, ainda está em public preview. Mudanças de API e pricing são possíveis antes do GA.

Lock-in. Um único espaço vetorial Google para todas as modalidades é poderoso — mas cria dependência. Migrar para outro provider significa re-embeddar tudo.

Conclusão: O Fim do Frankenstein Multimodal

O Gemini Embedding 2 marca o momento em que RAG multimodal deixou de ser um exercício de costura e se tornou um produto. Um modelo. Um vetor. Cinco modalidades. E a capacidade de buscar “a parte da reunião onde discutimos o gráfico de receita” com uma query de texto — sem transcrição, sem pipeline separado, sem cola.

Para quem constrói sistemas de busca, retrieval ou RAG em 2026: esse modelo muda o cálculo de “vale a pena suportar busca multimodal?” de “provavelmente não, é muito complexo” para “por que não, é uma chamada de API.”

E como eu repito em todo post técnico desta série: a tecnologia é impressionante, mas o valor real está em como você integra — no harness, no chunking, no pipeline ao redor. O Gemini Embedding 2 elimina uma camada inteira de complexidade. O que você faz com o tempo e a engenharia que sobram é o que vai diferenciar.

Compartilhe se isso simplificou sua arquitetura:

Três modelos. Três índices. Código de cola. Bugs em cada costura. Substituí por uma única chamada de API que retorna um vetor para texto, imagem, vídeo, áudio e PDF. O Frankenstein morreu.

Leia Também