Google Developers Blog: Gemini Embedding 2 GA — embedding ตัวแรกของ Gemini ที่รวม text/image/video/audio/PDF อยู่ใน latent space เดียว สำหรับ agentic RAG

วันที่ 30 เมษายน 2026 Google Developers Blog ลงโพสต์ “Building with Gemini Embedding 2: Agentic multimodal RAG and beyond” ประกาศว่า Gemini Embedding 2 ขยับขึ้นเป็น General Availability ทั้งใน Gemini API และ Gemini Enterprise Agent Platform หลังจากอยู่ใน preview มาตั้งแต่เดือนมีนาคม

ความสำคัญของโพสต์นี้สำหรับนักพัฒนาคือ — embedding model ตัวแรกของ Gemini ที่ ทำ natively multimodal ไม่ใช่ pipeline แยกต่อ modality แล้วเอามารวม นั่นแปลว่า ภาพ วิดีโอ เสียง PDF ข้อความ ทั้งหมดถูก map เข้าไปใน latent space เดียวกัน

คุณสมบัติที่สำคัญ

ตามโพสต์ของ Google Developers Blog:

• Native multimodal — รับ input ได้พร้อมกัน: text, image, video, audio, document
• Limit ต่อ call — 8,192 text tokens, 6 images, 120 วินาทีของวิดีโอ, 180 วินาทีของเสียง, 6 หน้า PDF
• 100+ languages — รองรับภาษาไทย จีน อาหรับ ฯลฯ
• Matryoshka Representation Learning (MRL) — ตัด vector ลง dimension เล็กกว่าได้ผ่าน output_dimensionality parameter โดยไม่ต้อง retrain — เก็บใน vector DB ที่จำกัดได้
• Latency ลด 70% สำหรับลูกค้า enterprise บางรายที่เคยรัน pipeline แบบ modality-specific หลายตัว

Agentic Multimodal RAG ทำอะไรได้ใหม่

จุดเปลี่ยนของโพสต์นี้คือ Google บอกชัดว่าเป้าหมายไม่ใช่แค่ search bar ที่ค้น semantic — แต่เป็นรากฐานของ agent ที่เข้าใจ context หลาย modal พร้อมกัน ตัวอย่างที่บล็อกยกมา:

• Support assistant ค้น diagram จาก PDF technical manual แล้วอธิบายเป็นภาษาผู้ใช้
• Coding agent ที่ scan codebase หลายร้อย file แล้ว fix bug ที่กระจายข้าม module
• Compliance agent ที่ cross-reference เอกสาร regulatory หลายฉบับและ video training
• Research assistant ดู meeting recording แล้วเชื่อมกับ slide + chat log

ก่อนหน้านี้ task พวกนี้ต้องใช้ pipeline หลาย step (transcribe → embed text → embed image แยก → join) ตอนนี้กลายเป็น API call เดียว

Pricing และ availability

• Gemini API — pay-per-token แบบเดียวกับ Gemini 3 Flash-Lite — ราคาเริ่มต้นต่ำพอที่จะใช้กับ workload แบบ high-volume RAG
• Gemini Enterprise Agent Platform — รวมในแพ็กเกจของ enterprise tier
• Vertex AI — มีให้เลือกใช้ในทุก region ที่รองรับ Gemini รวมถึง asia-southeast1 (สิงคโปร์)

ทำงานร่วมกับ Agent Platform อย่างไร

โพสต์ชี้ว่าคนที่ใช้ Gemini Enterprise Agent Platform จะได้ Gemini Embedding 2 เป็นตัว default สำหรับ:

• Knowledge base indexing — index PDF/video/audio ของบริษัทไว้ที่เดียว
• Tool selection — เลือก tool ที่เหมาะกับ task โดยเทียบ embedding ของ task กับ tool description
• Memory retrieval — ดึงความทรงจำของ agent กลับมาในบริบทใหม่
• Output verification — เช็คว่า output ของ agent ตรงกับ ground truth ที่อยู่ใน knowledge base

มุมมอง AI Curator

Embedding model มักจะเป็น “infrastructure layer” ที่นักพัฒนาทั่วไปไม่ค่อยคิดถึง — แต่ในยุค agentic RAG มันเป็นตัวกำหนดว่า agent จะ retrieve ของถูกต้องไหม ถ้า embedding ไม่เก่ง agent ก็ตอบผิดแม้โมเดล LLM จะเก่ง

จุดที่ Gemini Embedding 2 ทำได้ดีและเป็น differentiator คือ multimodal native — ปกติคนทำ RAG ในไทยตอนนี้ส่วนใหญ่ index แค่ text จาก PDF (ทิ้ง diagram, table, screenshot) เพราะ pipeline ยุ่ง พอ Gemini Embedding 2 เข้ามาก็เปิดให้ทำ “true multimodal RAG” ได้ในต้นทุนใกล้เดิม นั่นเป็นโอกาสใหญ่สำหรับงานที่ knowledge base เต็มไปด้วย diagram (manufacturing, healthcare, engineering manual)

ข้อควรระวังคือ vendor lock-in — embedding มี dimension space ของตัวเอง คุณ index ด้วย Gemini Embedding 2 แล้วจะย้ายไป Cohere/Voyage ก็ต้อง re-embed ทั้งหมด ฉะนั้นสำหรับองค์กรไทยที่กำลังเริ่ม RAG project ในไตรมาสนี้ ควรประเมินทั้งสามมิติ — accuracy, cost per million tokens, lock-in cost — ก่อนตัดสินใจ ตัวเลือกที่น่าดูควบคู่: Voyage 3 (multimodal เพิ่งออก), Cohere Embed v4, NV-Embed-v2 (open-weight)

สำหรับทีม dev ที่ใช้ Vertex AI อยู่แล้ว นี่คือ no-brainer upgrade — เพราะการเปลี่ยน model embedding ใน Agent Platform เกือบจะเป็น checkbox เดียว

แหล่งข่าว

• Building with Gemini Embedding 2: Agentic multimodal RAG and beyond — Google Developers Blog
• Gemini Embedding 2: Our first natively multimodal embedding model — Google Blog
• Embeddings — Gemini API documentation
• Google’s Gemini Embedding 2 arrives with native multimodal support — VentureBeat