Google 的 EmbeddingGemma 2 是一款紧凑、开放权重的多模态嵌入模型，基于 Gemma 4 构建，并采用 Apache 2.0 许可证发布。该模型旨在提高语义搜索和检索增强生成（RAG）的效率，同时针对设备端部署优化性能。
EmbeddingGemma 2 旨在移动设备和笔记本电脑等消费级硬件上运行，可为设备端搜索、检索增强生成（RAG）、分类和聚类等应用提供低延迟的语义表示。
得益于多模态能力，EmbeddingGemma 2 支持广泛的检索任务，包括根据查询查找相关文档、屏幕截图和录音，使用自然语言搜索源代码，以及根据文本描述检索视频内容。
Google 表示，EmbeddingGemma 2 的关键特性是能够在统一的 768 维嵌入空间中表示文本、代码、图像、视频和音频。借助这项能力，开发者可以构建跨不同媒体类型进行搜索的检索系统，而无需为不同媒体类型维护彼此独立且不兼容的嵌入空间。
尽管来自不同模态，EmbeddingGemma 2 生成的嵌入仍处于相同的维度空间中，可以根据语义相似度进行比较。
该模型允许开发者只加载应用所需的编码器，其参数规模从用于文本和代码的 2.7 亿扩展到支持完整多模态能力的 7.4 亿。Google 表示，该模型“在代码搜索和技术内容检索方面显著超越 EmbeddingGemma 1，非常适合本地代码库索引和智能体代码搜索”。
EmbeddingGemma 2 支持套娃表示学习（Matryoshka Representation Learning，MRL），可以将嵌入截断为更短的单位长度向量，从而降低存储需求。例如，以 bfloat16 精度存储 100 万个 768 维向量大约需要 1.5GB 内存，而将其截断到 128 维后只需 250MB，存储占用减少至六分之一。不过，这也意味着需要在检索质量之间作出取舍。因此，Google 建议仅在存储空间或搜索速度确有需要时使用截断。在 128 维下，该模型在文本任务上可保留约 90% 的质量，但在图像、视频和语音检索中的表现会下降到约 75%。
在评论这项发布时，Reddit 用户 Distinct-Target7503 肯定了该模型的多模态能力，同时质疑它在纯文本任务上的提升幅度：
这个模型令人印象深刻的地方，是它可以将图像和音频嵌入同一个共享语义空间；但如果只看文本任务，提升并不算巨大。
与此同时，Reddit 用户 Open-Adhesiveness-86 提醒开发者注意正确使用该模型的重要性：
初代 EmbeddingGemma 有两点让我踩过坑，而这些问题很可能仍然适用：任务前缀不是可选项。如果在索引文档时使用查询前缀，而不是“title: none | text: ”，召回率会明显下降。此外，如果要为 MRL 截断向量，应先进行切片，再对较短的向量执行 L2 归一化；如果先在 768 维上归一化再截断，就会得到范数不正确的向量。
EmbeddingGemma 于去年推出，重点面向“离线和隐私敏感场景，例如在本地搜索个人文件、使用 Gemma 3n 运行移动端 RAG 流水线，或者构建特定领域的聊天机器人”。EmbeddingGemma 2 已在 Hugging Face 上提供。
原文链接：
https://www.infoq.com/news/2026/10/embeddinggemma-2-multimodal/
