谷歌开源端侧多模态嵌入模型

谷歌DeepMind于10月6日发布EmbeddingGemma 2，这是一款开源的多模态嵌入模型，能将文本、代码、图像、音频和视频映射到统一的向量空间。

该模型基于Gemma 4架构，拥有7.4亿参数，采用商业友好的Apache 2.0许可证。相比去年仅支持文本的前代产品，新版实现了原生多模态支持，专为设备端推理优化。

官方数据显示，经过量化后，纯文本模式在Pixel 11 Pro上仅需约191MB内存，完整多模态模式约需567MB。它支持8K token上下文窗口，可处理长达5.5分钟的音频或29张图像。

在MTEB Code等基准测试中，谷歌称其在10亿参数以下模型中取得领先分数，但此结果属厂商自测，尚待独立验证。模型权重已在Hugging Face和Kaggle上线。