`embedding-2-preview` chegou ao fim — trocar o ID sem reconstruir o índice cria pesquisa partida
A tabela oficial marca 10 de agosto como shutdown e aponta `gemini-embedding-2`. Vetores de modelos diferentes não devem ser misturados como se partilhassem o mesmo espaço semântico.
- Natureza
- Aviso de fim de ciclo de modelo
- Data
- Shutdown indicado para 10 de agosto de 2026
- Substituto
- `gemini-embedding-2`, conforme tabela oficial
- Limite
- A equivalência de retrieval depende do corpus, chunking, métrica e aplicação
Em resumo
A Google lançou `gemini-embedding-2` em GA a 22 de abril e marcou `embedding-2-preview`, lançado a 10 de março, para encerramento a 10 de agosto. A migração afeta escrita, pesquisa, índices, caches e avaliações. O caminho seguro cria um índice separado, faz dual-write quando possível, reconstrói o corpus, mede recall e qualidade de ranking e só muda a leitura depois de um gate explícito.
- Descubra chamadas diretas e embeddings já persistidos; mudar apenas o produtor mistura espaços incompatíveis.
- Crie um índice novo com versão do modelo, dimensão, normalização, chunking e hash do conteúdo.
- Avalie retrieval com perguntas e relevância rotuladas, incluindo caudas e idiomas reais.
- Planeie rollback da leitura; reverter o código não reverte vetores já escritos.
O endpoint fecha; os vetores antigos continuam a influenciar resultados
A tabela de depreciações identifica o substituto, mas não promete equivalência numérica entre embeddings. Um índice mistura distâncias calculadas no mesmo espaço; vetores produzidos por modelos ou configurações diferentes podem tornar scores incomparáveis.
O lançamento GA suporta entradas multimodais segundo as release notes. Isso amplia o desenho possível e também os testes necessários: modalidade, tamanho de input, dimensão de saída, custo, latência, normalização e política de retenção precisam de ser registados.
Migração sem corte cego
- 22 ABRModelo GA
`gemini-embedding-2` torna-se o destino estável.
- 10 AGOShutdown indicado
O preview deixa de ser um produtor que se possa pressupor disponível.
- REINDEXCorpus reconstruído
Novo índice recebe todos os documentos com proveniência e erros reconciliados.
- CUTOVERLeitura promovida
Recall, ranking, latência e custo passam o gate antes da troca.
Compare sistemas de retrieval completos, não vetores isolados
Congele consultas representativas e juízos de relevância. Execute índice antigo e novo com o mesmo filtro, top-k e pós-processamento. Meça recall@k, nDCG ou outra métrica adequada, respostas sem suporte, latência e custo por consulta aceite.
A reindexação deve ser repetível e auditável. Guarde modelo, dimensão, chunking, versão do documento, timestamp, job e estado. Documentos que falham não podem desaparecer silenciosamente; entram numa fila de reconciliação com owner.
Gate do novo índice
| Camada | Prova | Limiar | Rollback |
|---|---|---|---|
| Corpus | Contagem e hashes | Sem faltas inexplicadas | Reexecutar job |
| Retrieval | Recall/ranking rotulado | Não piora casos críticos | Manter leitura antiga |
| Resposta | Citações e suporte | Sem aumento material de não-suporte | Parar promoção |
| Operação | p95 e erros | Dentro do SLO | Roteamento anterior |
| Custo | Consulta aceite | Dentro do orçamento | Ajustar desenho |
Faça dual-index e corte a leitura apenas quando o novo índice estiver completo
Se o sistema ainda escreve, grave cada novo documento nos dois índices durante a transição e compare contagens. Reconstrua o histórico em jobs idempotentes; não apague o índice antigo enquanto o rollback e o período de observação estiverem ativos.
Depois do cutover, monitorize distribuição de scores, resultados vazios, cliques ou aceitação e falhas por idioma/modalidade. Mudanças de modelo devem permanecer visíveis na telemetria para distinguir drift de dados de uma alteração do embedder.
- Não misturar vetores de dois modelos no mesmo índice sem prova explícita.
- Não validar apenas com perguntas fáceis escolhidas pela equipa.
- Não fechar a reindexação com documentos falhados sem fila de reparação.
- Não eliminar o índice anterior antes de testar rollback da leitura.
Fontes consultadas
Consultadas na data de atualização indicada.
Abre numa nova janela.- 01Gemini deprecationsGoogle AI for Developers · AI-GOOGLE
- 02Gemini API release notesGoogle AI for Developers · AI-GOOGLE
- 03EmbeddingsGoogle AI for Developers · AI-GOOGLE
- 04Gemini modelsGoogle AI for Developers · AI-GOOGLE
- 05Challenges to the Monitoring of Deployed AI SystemsNIST · GL-NISTAI
- 06AI Risk Management Framework CoreNIST AIRC · GL-NISTAI
Participar
Partilhe a análise. Acrescente contexto.
Divulgue a matéria no seu canal ou deixe uma observação ligada ao tema.
Comentários
A carregar a conversa.