Google DeepMind 6 октября 2026 года выпустила EmbeddingGemma 2 — открытую модель для семантического поиска по тексту, программному коду, изображениям, видео и аудио. Её особенность — возможность сопоставлять разные форматы данных по смыслу. Например, искать подходящий видеоролик или изображение обычным текстовым запросом. Модель оптимизирована для локальной работы на смартфонах и ноутбуках, поэтому обработка данных не обязательно требует обращения к удалённому серверу.
Как устроена EmbeddingGemma 2
Модель преобразует информацию в числовые представления — эмбеддинги. Все поддерживаемые форматы отображаются в общее пространство размерностью 768 измерений. Благодаря этому текстовый запрос можно сравнить с представлениями фотографий, документов и других материалов. Такой подход применим для смыслового поиска по архивам, поиска похожих материалов и построения рекомендательных систем.
Полная конфигурация содержит 740 миллионов параметров. Архитектура модульная: текстовый компонент включает 270 миллионов параметров, визуальный — 170 миллионов, аудиокомпонент — 300 миллионов. Если приложение работает только с текстом, дополнительные компоненты можно не загружать. По данным Google, на Pixel 11 Pro текстовая конфигурация занимает около 191 МБ оперативной памяти, а полная мультимодальная версия — приблизительно 567 МБ.
Возможности и ограничения
EmbeddingGemma 2 поддерживает более 100 языков и контекст до 8192 токенов. В одном входном наборе можно сочетать текст, изображения, видеокадры и аудиофрагменты. Предусмотрено несколько размеров выходных векторов: 768, 512, 256 и 128 измерений. Уменьшение размерности позволяет сократить объём хранимых поисковых индексов, однако может ухудшать точность сопоставления, особенно для мультимодальных данных.
По представленным результатам тестирования, сокращение векторов до 256 измерений сопровождается сравнительно небольшими потерями качества. При переходе к 128 измерениям ухудшение заметнее: в тесте MMEB v2 показатель снижается с 59,01 до 45,65. Поэтому компактное представление следует выбирать с учётом характера материалов и проверять на собственных данных. Практический интерес EmbeddingGemma 2 представляет для локальных поисковых систем, каталогов товаров с фотографиями и приложений, объединяющих несколько типов контента.
