鲸云网10月7日消息，据媒体报道，谷歌正式推出开源多模态嵌入模型EmbeddingGemma 2，把文本、代码、图像、视频、音频统一映射到同一个向量空间，并针对手机等端侧设备做了大幅压缩。
去年谷歌发布的初代EmbeddingGemma，主要解决轻量文本嵌入问题，下载量已超过2000万次，被广泛用在端侧搜索工具和注重隐私的检索增强生成（RAG）管线上。但那时的模型只认文字，遇到图片、音频就只能先转写再处理，流程割裂。EmbeddingGemma 2的升级重点，正是把”多模态”变成原生能力。
新模型基于Gemma 4架构，采用对商业友好的Apache 2.0许可，总参数7.4亿。它用模块化思路控制体积：纯文本任务只需2.7亿参数，需要视觉就加1.7亿参数的视觉编码器，需要音频再叠加3亿参数的音频编码器。借助Matryoshka表示学习，开发者还能把输出向量从768维动态截断到512、256甚至128维，让本地向量库的存储和内存占用最高降到六分之一。
最值得普通开发者关注的是它的端侧表现。量化之后，在谷歌Pixel 11 Pro上，纯文本权重只需约191MB运行内存，完整多模态模型约567MB，8K Token的上下文窗口更是初代的四倍，可一次性处理最长5.5分钟音频、29张图像或58个视频帧。这意味着原本要依赖云端的语义检索，如今能直接跑在手机里，数据不必离开设备。关注AI大模型频道可获取更多端侧模型评测；想了解这类能力如何落地到移动硬件，手机数码栏目也在持续跟进。
对中小团队而言，EmbeddingGemma 2降低了做本地知识库和离线助手的门槛。当嵌入模型能在手机上安静运转，隐私优先的AI应用或许会从概念走向日常。
编辑：华磊
免责声明：本站转载的文章，版权归原作者所有；旨在传递信息，不代表本站的观点和立场。
