谷歌发布EmbeddingGemma 2，740M参数在手机上让五种模态互相检索

当地时间10月6日，谷歌发布新一代端侧嵌入模型EmbeddingGemma 2。官方称这是谷歌第一个开源的原生多模态嵌入模型，把文本、代码、图片、视频和音频映射到同一个768维向量空间里。权重已经上线，采用商业友好的Apache2.0许可。

参数设计走的是模块化路线。模型总参数740M，其中纯文本路径约270M，视觉编码器170M，音频编码器300M。开发者可以按场景加载：只做文本和代码检索用270M，加上视觉440M，加上音频570M，全模态740M。几种配置投射到同一个向量空间，切换时不用换模型。

端侧部署的门槛压得比较低。谷歌公布的数据显示，量化之后在Pixel11Pro上跑纯文本权重，活跃内存约191MB，全模态模式约567MB。存储侧用了Matryoshka表示学习，输出向量可以从原生的768维动态截断到512、256或128维，官方称这种存储压缩最多能让本地向量数据库省下6倍空间。

上下文窗口扩到8192个token，是上一代的4倍，换算下来在本地能直接处理约5.5分钟音频、29张图像或58帧视频，几种模态交错输入也可以。代码检索的提升最明显，MTEB Code基准分从68.76涨到78.68，提高了9.92分。上一代EmbeddingGemma的下载量已经超过2000万次。

这套模型的主要用途是检索，不是生成。它负责把不同模态的数据转成向量存进索引，查询时再比对相似度，把命中的内容交给生成模型，等于把轻量的检索环节从昂贵的生成环节里拆出来。因为和Gemma4共享分词器与音频编码器，两个模型可以放在同一条推理流水线里跑，整体内存占用更低。

放在本地跑的另一个好处是数据不出终端。文档、图片、代码这类内容可以在设备上完成索引，不必先传到远端的嵌入服务，对隐私要求高的场景和离线环境都更合适。谷歌CEO桑达尔·皮查伊在发布时称，这款模型把端侧效率的标准又往上推了一档，权重已经可以在Hugging Face上取到。