Google 發布 EmbeddingGemma 2 多模態嵌入模型：740M 參數支援圖文音影，採 Apache 2.0 開源

Google DeepMind 發布 EmbeddingGemma 2，採 Apache 2.0 授權開源。該模型基於 Gemma 4 架構，總參數為 740M，能將文字（含程式碼）、圖像、影片與音訊映射至統一的 768 維向量空間。 模型採模組化設計，包含 270M 文字模型、170M 視覺編碼器與 300M 音訊編碼器。其上下文視窗達 8K token（為前代 4 倍），可直接在本地硬體處理長達 5.5 分鐘音訊、29 張圖片或 58 幀影片。 針對終端設備最佳化，量化後在 Google Pixel 11 Pro 上，純文字權重僅需約 191MB 活躍記憶體，完整多模態模型需約 567MB。據 The Decoder 報導，透過 WebGPU 在瀏覽器執行，每次查詢約需 20 到 70 毫秒。 該模型支援 Matryoshka 表示學習（MRL），開發者可將輸出向量從 768 維動態截斷至 512、256 或 128 維，最高減少 6 倍本地向量資料庫儲存與記憶體使用。 效能方面，在 MTEB Code 基準測試中得分從 68.76 提升至 78.68。官方稱其在 1B 參數以下的多模態嵌入模型中得分領先，並超越部分體積兩倍大的專用模型。由於與 Gemma 4 共享文字 tokenizer 與音訊編碼器，兩者可合併部署以降低總記憶體佔用，實現完全離線的 RAG 應用。