EmbeddingGemma 2

Компактная мультимодальная нейросеть от Google переводит текст, программный код, изображения, аудиозаписи и видеокадры в единое векторное пространство прямо на пользовательском устройстве. Модель насчитывает 740 миллионов параметров и рассчитана на сценарии, где быстрый поиск по архивам медиа должен работать полностью автономно, сохраняя приватность данных без отправки запросов в облако.

Что умеет

• Связывать разные форматы в одну базу. Находит видеофрагмент по голосовой заметке или сканирует многочасовые аудиозаписи по короткому тексту через один общий энкодер.
• Разделять нагрузку по модулям. Для исключительно текстовых задач достаточно ядра на 270 миллионов параметров, а блоки для зрения (170 млн) и звука (300 млн) подключаются по необходимости.
• Укладываться в ограниченную память. При квантовании полный мультимодальный комплект занимает около 567 МБ оперативной памяти, а чисто текстовый вариант — порядка 191 МБ.
• Сжимать размер хранилища. Механизм Matryoshka Representation Learning позволяет усекать вектор с 768 измерений до 512, 256 или 128, сокращая затраты на локальные векторные базы до шести раз.
• Удерживать длинный контекст. Лимит в 8000 токенов дает возможность анализировать до пяти с половиной минут звука, 29 статичных картинок или 58 видеокадров за раз.
• Индексировать программный код. Модель набрала 78,68 балла в бенчмарке MTEB Code, что позволяет использовать ее для семантической навигации по кодовым репозиториям.

Цены и доступ

Веса модели открыты бесплатно под лицензией Apache 2.0, разрешающей коммерческое применение. Загрузка доступна на Hugging Face и Kaggle, а запускать сборку можно через LiteRT, llama.cpp, Ollama, MLX или прямо в браузере с помощью WebGPU.

Разработчикам локальных продакшен-утилит и каталогизаторов модель дает готовый фундамент: теперь умный поиск по терабайтам раскадровок, саунд-библиотек и монтажных нарезок можно встроить прямо на ноутбук монтажера.