谷歌发布 EmbeddingGemma 2：7.4 亿参数开源多模态嵌入模型，可在端侧运行

Google DeepMind 发布 EmbeddingGemma 2，将上一代纯文本嵌入模型扩展为原生多模态，可把文本、代码、图像、视频和音频统一映射到同一嵌入空间。模型基于 Gemma 4 架构，参数量 7.4 亿，采用可商用的 Apache 2.0 许可，权重已上线 Hugging Face 和 Kaggle。

该模型采用模块化设计：纯文本任务最少只需 2.7 亿参数，视觉（1.7 亿）和音频（3 亿）编码器可选；借助 Matryoshka 表征学习，输出向量可从 768 维截断到 512、256 或 128 维；上下文窗口为 8K token，是第一代的 4 倍。经量化后在 Pixel 11 Pro 上，纯文本权重约需 191MB 内存，完整多模态模型约 567MB。

谷歌称，EmbeddingGemma 2 在 MTEB Code 和 MAEB 等基准上取得 10 亿参数以下多模态嵌入模型的领先成绩，MTEB Code 分数从 68.76 提升至 78.68。初代 EmbeddingGemma 下载量已超过 2000 万次。