EM POUCAS LINHAS
- Defina se o acerto exige localizar um trecho, uma figura ou a relação entre ambos.
- Modelos multivetoriais de texto e modelos visuais da mesma família exigem preparações diferentes.
- Reduzir a dimensão de cada vetor não reduz necessariamente o número de vetores no índice.
- Os materiais recebidos não estabelecem qual abordagem recupera melhor páginas mistas em português brasileiro.
Uma página pode conter texto corrido, legendas, tabelas e figuras. Encontrar o arquivo certo não basta se a informação procurada estiver em uma pequena parte dele. A decisão entre multivetores e EmbeddingGemma 2 começa, portanto, pela unidade de busca: texto extraído, imagem da página ou recortes que conservem a ligação entre ambos. O artigo técnico sobre modelos multivetoriais e a publicação do Google sobre EmbeddingGemma 2 descrevem mecanismos diferentes; os trechos recebidos não constituem um ensaio comparativo com as mesmas páginas, consultas e métricas.
Que evidência a busca precisa devolver?
Imagine, como exemplo hipotético, um manual brasileiro no qual uma instrução aponta para uma peça identificada em um diagrama. Uma busca que devolve apenas uma página sobre o assunto pode não permitir conferir qual peça corresponde à instrução. Para avaliar esse caso, marque previamente a página relevante, o trecho da instrução e o elemento visual. Em outros casos, basta encontrar uma cláusula textual ou uma figura inteira. Essas tarefas pedem critérios de acerto distintos, mesmo quando todas começam com uma consulta digitada.
Planeje também como cada resultado levará o leitor de volta ao original: identificador do documento, página e, quando necessário, recorte ou trecho. Esse registro evita confundir uma correspondência temática com a localização da evidência. Se usar extração de texto, confira se a ordem de leitura e a associação entre legendas e imagens sobrevivem ao preparo; se usar imagens de páginas, confira se letras pequenas e relações espaciais continuam acessíveis ao modelo escolhido.
O que muda com a interação tardia?
Segundo o Sentence Transformers, modelos multivetoriais de texto mantêm vetores associados a tokens, em vez de representar todo o texto por um único vetor. Na pontuação MaxSim descrita no artigo, cada token da consulta é comparado aos tokens do documento, e a pontuação soma as melhores correspondências. A representação permite procurar sinais locais, como um nome ou uma condição específica, mas não recupera informação que tenha sido excluída na preparação.
A mesma publicação também descreve modelos de recuperação visual que comparam consultas textuais diretamente com imagens de páginas, sem OCR intermediário. Isso não transforma qualquer checkpoint multivetorial de texto em um leitor de imagens. Para uma coleção mista, trate a indexação de texto extraído e a indexação visual como configurações separadas: uma pode localizar uma expressão que a outra não preserva, enquanto a imagem pode conservar uma disposição importante para interpretar uma figura.
Há um custo de representação a medir. No exemplo divulgado no artigo, 4.874 passagens textuais de Natural Questions geraram 608.414 vetores de tokens com LateOn. Esses valores descrevem aquele conjunto de passagens, não o tamanho esperado de um índice de páginas com imagens. O texto também apresenta compressão como alternativa para o índice; isso não dispensa medir armazenamento e tempo de consulta com os próprios documentos. Confira ainda o limite configurado do checkpoint: o artigo informa que document_length trunca conteúdo, deixando o excedente fora do índice. Dividir uma página longa em partes pode evitar essa perda, desde que cada parte continue vinculada à página e às figuras pertinentes.
O que o EmbeddingGemma 2 permite investigar?
Em publicação datada de 6 de outubro de 2026, o Google apresenta o EmbeddingGemma 2 como um modelo que mapeia combinações de texto, imagem, áudio e vídeo em um espaço compartilhado de embeddings. Para páginas mistas, isso justifica investigar entradas com texto e imagem, mas não define a melhor unidade de indexação. Representar a página inteira, separar suas regiões ou criar entradas distintas para o texto e a figura são decisões de projeto a comparar, não resultados demonstrados pelo anúncio.
O Google informa que os vetores de saída podem ser reduzidos de 768 dimensões para 512, 256 ou 128 e declara uma janela de 8 mil tokens para entradas que podem combinar modalidades. A dimensão determina o tamanho de cada vetor; o número de recortes determina quantos vetores serão guardados. Assim, diminuir dimensões não garante um índice menor se a estratégia criar muitas entradas por página. Verifique o que cabe no material preparado e compare a recuperação antes e depois de reduzir a saída. As especificações divulgadas pelo fornecedor não estabelecem, por si, a precisão para localizar texto pequeno em figuras.
Como decidir no próprio acervo?
Monte consultas cuja resposta esteja identificada nos originais e separe perguntas sobre texto, sobre elementos visuais e sobre a relação entre texto e imagem. Para cada configuração, mantenha a mesma coleção e os mesmos critérios de acerto. Registre a posição da primeira evidência correta nos resultados, os casos não encontrados, o volume efetivo do índice e o tempo de consulta nas condições pretendidas. Não compare a pontuação bruta de MaxSim com uma similaridade de outro modelo como se fossem a mesma escala; compare a posição dos resultados relevantes e a capacidade de devolver a evidência.
Documente, em cada experimento planejado, o checkpoint, os limites de entrada, a forma de segmentação e o vínculo do resultado com a página original. Se acrescentar releitura ou reranqueamento, apresente seu efeito separadamente. O acervo também contém artigos sobre adaptação da busca multivetorial e avaliação de busca multimodal com EmbeddingGemma 2; aqui, o foco é a decisão sobre qual parte de uma página mista indexar e como verificar que a evidência certa voltou.
Para consultas e páginas em português brasileiro, inclusive texto dentro de imagens, desempenho e custo permanecem questões de avaliação local. Os trechos disponíveis do artigo multivetorial e a publicação do Google não apresentam, no material recebido, uma medição conjunta desse cenário. Em vez de declarar um vencedor, escolha a configuração que encontre a evidência exigida pela tarefa dentro dos limites de índice e consulta que sua equipe conseguir medir.
Fontes e referências
- Multi-Vector (Late Interaction) Embedding Models with Sentence Transformershuggingface.co · Consultado em 08/11/2026
- EmbeddingGemma 2 is a best-in-class open model for natively multimodal embeddingsblog.google · Consultado em 08/11/2026