Google发布EmbeddingGemma 2开源多模态嵌入模型

Google DeepMind 正式发布开源权重模型 EmbeddingGemma 2。该模型拥有 7.4 亿参数，基于 Gemma 4 架构构建，采用商业友好的 Apache 2.0 协议开源。它能将文本、代码、图像、视频和音频映射至统一的 768 维嵌入空间，体积小巧，可直接在手机和笔记本电脑上流畅运行。

这一发布将 Google 的端侧嵌入能力拓展至多模态领域。嵌入技术将各类内容转化为表征语义的数值向量，是搜索工具和检索增强生成（RAG）系统的核心基础。借助该模型，开发者可通过语音备忘录定位特定视频片段，或直接用文本检索数小时的音频记录。此前基于 Gemma 3 构建的纯文本初代模型参数为 3.08 亿，下载量已突破 2000 万次。

模块化设计与基准测试表现

EmbeddingGemma 2 采用模块化设计，开发者无需加载完整模型：

• 文本与代码核心：2.7 亿参数
• 视觉编码器：增加 1.7 亿参数
• 音频编码器：增加 3 亿参数

所有模块组合生成的向量均处于同一空间内，纯文本编码的查询可直接与完整多模态模型生成的文档向量匹配。输入上下文窗口达到 8,192 token，是前代模型的 4 倍，单次可处理多达 29 张图片、58 帧视频或 5.5 分钟音频。

在海量文本嵌入基准（MTEB）的代码测试中，该模型获得 78.68 分，较上一代的 68.76 分提升了 9.92 分。得益于俄罗斯套娃表征学习（Matryoshka Representation Learning）技术，开发者可将向量维度压缩至最低 128 维，节省高达 6 倍的存储空间。官方指南显示，256 维向量可在图像、视频与语音检索中保留约 95% 的质量；降至 128 维时，多模态检索质量保持在 75% 左右。

需要注意的是，模型卡显示 EmbeddingGemma 2 未经过后训练安全微调，应用层安全保障需由开发者自行实现。

端侧应用落地与获取方式

在 Pixel 11 Pro 上量化运行后，纯文本模型仅占用约 191 MB 运行内存，完整多模态模型内存占用约为 567 MB。Google AI Edge Gallery 应用将新增两款演示功能：

• 即时媒体搜索（Instant Media Search）：通过自然语言描述搜索本地照片与视频。
• 视频瞬间定位（Video Moments Finder）：无需预先转录音频即可定位特定场景（如“小狗接飞盘”）。

此外，Google 还推出了面向 Mac 的实验性应用 Google AI Edge Foresight，支持搜索本地会议纪要、笔记、图片和文档。

目前，模型权重已上线 Hugging Face 与 Kaggle。未来数周内将集成至 Android 平台的 ML Kit，支持硬件加速，并即将在 Gemini Enterprise Agent Platform Model Garden 中提供。