По сообщению Google (октябрь 2026 г.). Даты запуска, доступность функций и сравнительные результаты ниже относятся к этому сообщению и отражают данные разработчика. Первоисточник.
EmbeddingGemma 2 — самая способная модель для вычисления мультимодальных эмбеддингов на устройстве, нативно отображающая комбинации текста, изображений, аудио и видео в единое пространство эмбеддингов.
В прошлом году мы представили EmbeddingGemma, чтобы предложить лёгкий вариант для высококачественных текстовых эмбеддингов, помогающий приложениям организовать, искать и связывать информацию прямо на потребительском оборудовании. Реакция сообщества разработчиков превзошла наши ожидания. С более чем 20 миллионами загрузок разработчики использовали её для создания более умных инструментов поиска на устройстве и конвейеров RAG (retrieval augmented generation) с приоритетом приватности.
Сегодня мы запускаем EmbeddingGemma 2, расширяя функциональность за пределы текста и объединяя код, изображения, видео и аудио в общем пространстве эмбеддингов. Построенная на архитектуре Gemma 4 и выпущенная под коммерчески либеральной лицензией Apache 2.0, EmbeddingGemma 2 содержит 740 миллионов параметров, что делает её оптимальной для вывода на устройстве. Она может помочь найти конкретный видеоклип по голосовой заметке или осуществить поиск по часам аудиозаписей на основании текстового запроса — всё это обрабатывается одной нативно мультимодальной моделью.
Ключевые возможности EmbeddingGemma 2
Построенная на той же технологии, что и модели Gemini Embedding, EmbeddingGemma 2:
- Лучший в своём классе по соотношению размера и качества: достигает лидирующих показателей среди мультимодальных эмбеддеров с менее чем 1 млрд параметров по бенчмаркам, таким как MTEB (Massive Text Embedding Benchmark) Code и MAEB (Massive Audio Embedding Benchmark), при этом по задачам текста, зрения и аудио соответствует или превосходит многие более крупные модели.
- Модульная по дизайну: требует всего 270M параметров для задач только с текстом, с дополнительными необязательными энкодерами зрения (170M) и аудио (300M) для полной поддержки мультимодальности.
- Эффективна по хранению: с использованием Matryoshka Representation Learning (MRL) разработчики могут динамически укорачивать выходные векторы с 768 измерений до 512, 256 или 128 измерений. Это обеспечивает до 6× уменьшения объёма хранилища для локальных векторных баз данных и использования оперативной памяти.
- Оптимизирована для работы на устройстве: работает эффективно в условиях жёстких ограничений ресурсов. При квантовании на Google Pixel 11 Pro EmbeddingGemma 2 требует всего около ~191 МБ активной оперативной памяти для весов только для текста и ~567 МБ для полной мультимодальной модели.
- Поддерживает расширенный контекст: имеет окно контекста 8K токенов (в 4 раза больше, чем EmbeddingGemma 1), что позволяет обрабатывать до 5,5 минут аудио, 29 изображений, 58 видео-кадров или их чередующиеся комбинации напрямую на локальном оборудовании.
Достижение высоких показателей качества для кода, зрения и аудио
EmbeddingGemma 2 сохраняет сильную многоязычную текстовую производительность EmbeddingGemma и при этом обеспечивает значительное улучшение в задачах с кодом на 9.92 пункта (в MTEB Code, с 68.76 до 78.68), что делает её хорошо подходящей для индексирования локальных кодовых баз, семантического поиска по коду и поиска для агентов разработки. По задачам изображения, видео, документов и аудио она задаёт новый стандарт качества на параметр для моделей с менее чем 1 млрд параметров и даже превосходит некоторые специализированные модели более чем вдвое больших размеров.
Полные метрики оценки и информацию о модели можно найти в карточке модели EmbeddingGemma 2.
Обеспечение семантического поиска, маршрутизации и извлечения полностью на устройстве
EmbeddingGemma 2 приносит мощные возможности напрямую на периферийное оборудование. Генерация эмбеддингов локально помогает обеспечить конфиденциальность данных, снижает задержки в конвейере и даёт разработчикам возможность создавать кросс-модальные системы поиска и извлечения, работающие полностью офлайн.
В паре с генеративными моделями, такими как Gemma 4, EmbeddingGemma 2 позволяет строить RAG-конвейеры на устройстве, которые понимают сложные мультимодальные данные. Поскольку EmbeddingGemma 2 построена на Gemma 4 и разделяет с ней токенизатор текста и аудиоэнкодер, разработчики могут запускать обе модели вместе в едином конвейере с более низким суммарным потреблением памяти.
- Используйте текст или изображение, чтобы найти лучшие совпадения в вашей медиатеке на основе семантической схожести.
- Находите конкретные моменты в видео с помощью текстовых или аудиозапросов.
- Комбинируйте локальное извлечение файлов с EmbeddingGemma 2 и контекстное рассуждение с Gemma 4.
- Создавайте движки принятия решений в реальном времени, использующие мультимодальный контекст для классификации, маршрутизации и предсказаний через MediaPipe Decision Task API.
Чтобы узнать, как строить системы поиска и RAG на устройстве с LiteRT, прочитайте публикацию в блоге Google AI Edge.
Начало работы с EmbeddingGemma 2
Мы тесно сотрудничали со следующими партнёрами, чтобы убедиться, что EmbeddingGemma 2 сразу работает там, где вы разрабатываете:
- Загрузка моделей: найдите веса модели на Hugging Face и Kaggle, доступность в Model Garden платформы Gemini Enterprise Agent ожидается в ближайшее время. Посетите LiteRT Community на Hugging Face для моделей, оптимизированных для работы на устройстве.
- Развёртывание на устройстве: разрабатывайте кроссплатформенные приложения с Google AI Edge MediaPipe для готовых задач эмбеддинга, извлечения и принятия решений или используйте LiteRT для интеграции пользовательских моделей. Создавайте для браузера с transformers.js или WebGPU.
- Используйте любимые инструменты разработки: эффективно разворачивайте модель с помощью transformers, sentence-transformers, MLX, vLLM, llama.cpp, SGLang, Ollama и LMStudio. Храните векторные представления с помощью Qdrant.
- Тонкая настройка: следуйте рекомендациям Unsloth по тонкой настройке EmbeddingGemma 2 под ваши сценарии использования.
Изучите наше руководство для разработчиков, документацию и руководства по выводу и тонкой настройке.
TIME назвал Google SynthID одним из лучших изобретений 2026 года.
Мы поддерживаем европейские научные открытия с помощью передовых вычислений и передовых моделей.
Gemini 4 Argon теперь доступна для разработчиков.
Применение технологий для понимания и лечения заболеваний.
Мы упрощаем выявление контента, сгенерированного ИИ, по всему миру.
Последние новости по ИИ, которые мы объявляли в сентябре 2026 года.