Google DeepMind发布EmbeddingGemma 2：740M开源多模态嵌入模型

EmbeddingGemma 2的代码检索得分，比前代提升了9.92分——在MTEB Code基准上，从68.76涨到了78.68，增幅约14%。这是Google DeepMind新出的多模态嵌入模型，刚上线就能跑。

一个模型搞定全模态嵌入

之前的嵌入模型，文本、图像、音频各一套，跨模态匹配总出问题。EmbeddingGemma 2把所有内容都映射到同一个768维的向量空间：文本、代码、图像、视频、音频全算一套。它的架构是模块化的：文本代码主干270M参数，图像编码器170M（可选），音频编码器300M（可选）。开发者按需加载：只跑文本270M，加图像440M，加音频570M，全量740M，所有配置共享同一个向量空间，不管输入是语音还是图片，生成的向量都能互相匹配。上下文窗口8192 tokens，比前代大4倍，能放下约29张图、58帧视频或5.5分钟音频，足够应付大部分短内容场景。

轻量到能塞在手机里

量化后，它的体积小到能在手机上跑。Google测的Pixel 11 Pro上，text-only版本占191MB内存，全模态版本才567MB。MacBook M5 Pro跑单张图的时间是37.3ms，速度够快。还有Matryoshka表示学习的优化，可以把向量缩到512、256甚至128维。缩到256维时，多语种文本的得分只从61.36降到60.41，几乎没损失；缩到128维时，只适合纯文本场景，MMEB得分掉到45.65，刚好满足不同的存储和性能需求。现在就能从Hugging Face或Kaggle拉权重，支持Ollama、llama.cpp等工具，不用等部署。

和竞品比，核心优势在哪

看一圈竞品，它的特点很明确。对比同系列的EmbeddingGemma 1，后者只有308M参数，只支持文本代码，没有音视频。对比Qwen的3-VL-Embedding，它的2B参数是740M的2.7倍，还不支持音频，而EmbeddingGemma 2是全模态的。对比Google自家的Gemini Embedding，后者是付费API，而EmbeddingGemma 2是Apache 2.0开源，权重可商用，没有授权费的顾虑。而且它的多语种文本质量基本和前代持平，只有代码检索的提升是实打实的亮点——对需要处理代码文档的开发者来说，这个提升直接影响检索效率。

这种小而全的开源多模态嵌入模型，刚好补了设备端AI的一个缺口：之前要么是大参数的闭源模型，要么是轻量但单模态的模型，隐私优先的RAG场景一直没好的选择。现在EmbeddingGemma 2把门槛降下来了，开发者不用再纠结多模态的成本和授权。你觉得，这种模型会不会成为手机AI搜索的下一个小突破？

素材来源：MarkTechPost · AI情报、大模型、AI应用落地、开源生态
查看报道原文