EmbeddingGemma 2: мультимодальные эмбеддинги на 740 млн параметров, 567 МБ ОЗУ, офлайн-поиск и поиск по коду

Google выпустила EmbeddingGemma 2 — компактную мультимодальную модель эмбеддингов, предназначенную для переноса семантического поиска непосредственно на телефоны, ноутбуки, браузеры и другие периферийные устройства.

Модель была представлена 6 октября 2026 года. Ее основные характеристики необычно компактны для такого набора возможностей:

740 млн общих параметров
Единое пространство эмбеддингов размерностью 768
Контекстное окно на 8 тыс. токенов
Более 100 языков
~191 МБ активной ОЗУ для текстовых весов на Pixel 11 Pro
~567 МБ активной ОЗУ для полной мультимодальной модели на Pixel 11 Pro

EmbeddingGemma 2 может кодировать текст, код, изображения, видео, аудио и смешанные комбинации этих модальностей в одном общем векторном пространстве.

Это означает, что запрос на естественном языке может найти фотографию, аудиофрагмент или момент внутри видео без необходимости предварительно преобразовывать каждый файл в текст.

Генеральный директор Google Сундар Пичаи назвал ее первой открытой нативно мультимодальной моделью эмбеддингов Google.

Практическая разница проста: поиск, который раньше зависел от облачных API или отдельных моделей для изображений, аудио и текста, теперь может выполняться локально с помощью одной компактной модели.

Текст, изображения, аудио и видео теперь могут искать друг друга

Модели эмбеддингов часто незаметны для конечных пользователей, однако они лежат в основе многих современных систем поиска и RAG.

Их задача — преобразовать контент в числовые векторы:

контент
→ вектор эмбеддинга
→ позиция в семантическом пространстве

Объекты с похожим смыслом располагаются ближе друг к другу. Затем поисковая система преобразует запрос пользователя в другой вектор и извлекает наиболее близкие совпадения.

Первая EmbeddingGemma была ориентирована на текст. EmbeddingGemma 2 расширяет эту идею до единого мультимодального пространства.

В карточке модели Google говорится, что новая модель отображает текст, изображения, видео и аудио в одном и том же 768-мерном пространстве эмбеддингов.

Таким образом, фотография кошки, слово «кошка» и аудиозапись с кошачьим мяуканьем могут быть семантически связаны, хотя их исходные форматы полностью различаются.

Это позволяет выполнять такие поисковые операции:

текстовый запрос → подходящие изображения
текстовый запрос → подходящее аудио
текстовый запрос → подходящие фрагменты видео
аудиозапрос → подходящее видео
запрос по изображению → связанные изображения или медиаданные

Один фрагмент контента также может содержать несколько модальностей.

Google приводит пример страницы товара с трейловыми кроссовками, на которой есть текстовое описание, фотографии товара и видео, демонстрирующее сцепление подошвы с мокрыми камнями. EmbeddingGemma 2 может представить объединенный контент одним эмбеддингом и сопоставить его с запросом «водонепроницаемые кроссовки для трейлраннинга».

Демонстрация в браузере работала без сервера и API

Вскоре после запуска инженер Hugging Face Виктор М. продемонстрировал работу модели непосредственно в браузере.

Согласно исходной статье, он ввел запрос:

пение птиц

и сетка результатов сразу изменила порядок. Среди первых результатов были как фотографии птиц, так и аудиоклипы с визуализацией птичьих голосов в виде волновых форм.

Сообщается, что выполнение запроса заняло около 22 миллисекунд. Серверный вызов модели не использовался, внешний API также не требовался.

Это показатель из теста браузера, проведенного разработчиком, а не официальная гарантия задержки от Google.

Тем не менее общий вывод подтверждается собственными рекомендациями Google по развертыванию: EmbeddingGemma 2 предназначена для локального выполнения через такие среды, как LiteRT, MediaPipe, WebGPU, transformers.js, MLX, llama.cpp, Ollama и другие среды выполнения для периферийных устройств.

Контекстное окно стало в четыре раза больше

EmbeddingGemma 2 использует контекстное окно на 8 192 токена — в четыре раза больше, чем предыдущая EmbeddingGemma.

Google утверждает, что одномодальный ввод может содержать приблизительно:

5,5 минуты аудио
29 изображений
58 кадров видео

или чередующиеся комбинации модальностей.

Модель также поддерживает более 100 языков.

Это дает локальным поисковым системам гораздо больше гибкости. Вместо индексации только коротких текстовых фрагментов приложение может представлять более насыщенные элементы контента, содержащие длинные отрывки, изображения, видеокадры или аудиосегменты.

Самый большой разрыв в результатах тестов наблюдается в работе с изображениями и видео

Google сравнила EmbeddingGemma 2 с несколькими системами эмбеддингов сопоставимого размера.

Исходная статья подчеркивает наиболее заметные различия в визуальном поиске.

В карточке модели Google приведены следующие результаты:

В исходной статье отдельно выделено сравнение с Jina v5 Omni-Nano:

MMEB v2 Image
EmbeddingGemma 2: 57.3
Jina v5 Omni-Nano: 31.6

MMEB v2 Video
EmbeddingGemma 2: 50.7
Jina v5 Omni-Nano: 31.2

Эти показатели взяты из опубликованной Google таблицы оценки.

Как всегда, результаты бенчмарков следует интерпретировать в рамках конкретной методики оценки, а не считать универсальным рейтингом для любой производственной поисковой нагрузки.

Модель на 740 млн параметров с модульными энкодерами

Общее количество параметров — 740 млн — разделено между модулями.

В карточке модели Google указано:

Текст:
270 млн параметров всего
  130 млн — базовая модель
  140 млн — эмбеддер

Визуальный энкодер:
170 млн параметров

Аудиоэнкодер:
300 млн параметров

Разработчикам необязательно загружать все три компонента.

Такая модульность важна для периферийных устройств. Если приложение выполняет поиск только по тексту и коду, нет причин держать аудио- или визуальный энкодер в памяти.

Около 567 МБ ОЗУ для полноценного мультимодального поиска

Google сообщает, что после квантования на Pixel 11 Pro модель может работать примерно с таким объемом памяти:

Активная ОЗУ только для текста:
~191 МБ

Активная ОЗУ для полной мультимодальной модели:
~567 МБ

Именно на этом основан заголовок исходной статьи о показателе «менее 600 МБ».

Модель использует обучение с учетом квантования и поддерживает варианты развертывания INT4 и INT8.

Это важно, поскольку мультимодальные поисковые конвейеры традиционно требовали нескольких отдельных компонентов:

энкодер изображений
+
распознавание речи или аудиоэнкодер
+
модель текстовых эмбеддингов
+
дополнительная предварительная обработка

EmbeddingGemma 2 объединяет значительную часть этой функциональности в одной унифицированной архитектуре.

Матрешечные эмбеддинги могут уменьшить размер поискового индекса

Исходная размерность результата составляет 768.

EmbeddingGemma 2 также поддерживает Matryoshka Representation Learning, позволяя усекать векторы до:

512 измерений
256 измерений
128 измерений

Google утверждает, что это может уменьшить локальное хранилище векторной базы данных максимум в 6 раз по сравнению с полным представлением размерностью 768.

В блоге Google AI Edge говорится, что в некоторых конфигурациях локального индекса и хранилища сокращение может достигать 8 раз — в зависимости от способа настройки представления и конвейера хранения.

В карточке модели также приводится важная деталь реализации: перед поиском по косинусному сходству усеченные векторы следует нормализовать заново.

Если векторы запроса и документа имеют разные размерности, их также нельзя напрямую сравнивать.

Google уже создала демонстрации поиска на устройстве

Google опубликовала несколько эталонных приложений на базе этой модели.

Instant Media Search

Instant Media Search в Google AI Edge Gallery позволяет искать локальные фотографии и видео с помощью запроса на естественном языке или образца изображения.

Приложение:

1. Локально создает эмбеддинги.
2. Сохраняет эмбеддинги медиаданных в локальной базе данных SQLite.
3. Преобразует запрос в эмбеддинг.
4. Использует косинусное сходство для повторного ранжирования подходящих медиаданных.

Для вычисления эмбеддингов интернет-соединение не требуется.

Video Moments Finder

Video Moments Finder позволяет искать конкретные моменты внутри локальных видеофайлов.

Google приводит такие примеры запросов:

дети смеются
собака ловит фрисби
человек задувает свечи на торте

Приложение индексирует визуальные и аудиофрагменты и возвращает подходящие временные метки.

Google AI Edge Foresight

Google также запустила AI Edge Foresight для Mac.

Foresight использует EmbeddingGemma 2 вместе с Gemma 4 для локального поиска и контекстного рассуждения.

Google сообщает, что приложение может индексировать расшифровки встреч, искать по личным файлам, извлекать изображения, документы и заметки, работать офлайн и сохранять конфиденциальные исходные материалы на устройстве.

Это близко к описанной в исходной статье архитектуре локального RAG:

EmbeddingGemma 2
→ извлечение релевантного локального контекста

Gemma 4
→ рассуждение на основе извлеченного контекста

Сторонние тесты показывают, чем интересен локальный поиск

В исходной статье также собраны несколько ранних экспериментов разработчиков.

Это полезные примеры, однако их следует рассматривать как результаты, сообщенные сообществом, а не как официальные бенчмарки Google.

Nativ на Apple M5 Max

Приложение Nativ сообщило о тестах с использованием 8-битной квантованной модели на Apple M5 Max.

Опубликованные показатели включали:

косинусное сходство по сравнению с FP32:
0.9997

пропускная способность создания текстовых эмбеддингов при размере пакета 32:
817 элементов в секунду

Эти показатели зависят от конкретной реализации, квантования, оборудования и размера пакета.

Поиск личных заметок на разных языках

Турецкий разработчик, упомянутый в исходной статье, создал небольшой тест на личных заметках.

Заметки были в основном написаны на английском языке, а запросы формулировались на турецком.

В своем тесте он сообщил о таких результатах:

доля успешных совпадений при поиске по ключевым словам:
15%

доля успешных совпадений EmbeddingGemma 2:
97%

В рамках теста проверялось, попадала ли нужная заметка в число 18 лучших кандидатов.

Он также протестировал реальные сообщения с большим количеством опечаток и сообщил, что семантическая модель нашла примерно вдвое больше релевантных заметок, чем поиск по ключевым словам. По его словам, каждый запрос локально выполнялся примерно за 50 миллисекунд.

Это не стандартизированный бенчмарк, однако пример показывает одну из главных причин полезности поиска по эмбеддингам: семантическое сходство может работать даже тогда, когда запрос и сохраненный текст используют разные слова или языки.

Работа на небольшой Nano-плате

Разработчик Nick Lo также продемонстрировал квантованную сборку EmbeddingGemma 2, работающую через llama.cpp на Nano-плате для разработки.

Он сообщил, что преобразование текстового запроса в эмбеддинг для небольшой локальной системы поиска изображений занимало примерно:

~15 мс

После нахождения подходящего изображения ESP32-S3 выводила его построчно.

И снова: это эксперимент разработчика, а не официальное значение задержки.

Кодовые агенты могут локально искать по репозиториям

Модель предназначена не только для работы с медиаданными.

Качество поиска по коду значительно улучшилось по сравнению с предыдущей EmbeddingGemma.

Google приводит такие результаты:

MTEB Code v1

EmbeddingGemma:
68.76

EmbeddingGemma 2:
78.68

Это увеличение на 9,92 пункта.

Google Gemma отдельно выделяет локальную индексацию кодовой базы, семантический поиск по коду и извлечение данных для кодовых агентов как целевые варианты использования.

Инструментам вроде кодовых агентов необходимо найти релевантную часть репозитория, прежде чем они смогут внести в него изменения.

Компактный локальный эмбеддер дает разработчикам еще один вариант архитектуры:

исходный репозиторий
→ локальное построение эмбеддингов
→ локальное сохранение индекса
→ запрос на естественном языке
→ извлечение релевантного кода
→ передача только выбранного контекста более крупной кодовой модели

Индексация и первичное извлечение могут оставаться на собственном компьютере разработчика.

EmbeddingGemma 2 переносит AI-поиск из облака на устройство

Ранее в 2026 году Google уже запустила Gemini Embedding 2 как облачный API.

EmbeddingGemma 2 использует другой подход.

Вместо обязательного обращения к размещенному в облаке API для создания мультимодальных эмбеддингов это модель с открытыми весами, способная работать локально.

Для личных медиаданных, конфиденциальных файлов, корпоративных заметок и локальных репозиториев кода второй вариант может быть привлекательным, поскольку исходным материалам не обязательно покидать устройство.

Google прямо продвигает это решение как подход с приоритетом конфиденциальности.

Однако это не означает, что любое приложение автоматически становится конфиденциальным. Остальную часть приложения также необходимо правильно спроектировать, включая безопасное локальное хранение, контроль доступа и осторожную работу с извлеченным контентом.

Часто задаваемые вопросы

Что такое EmbeddingGemma 2?

EmbeddingGemma 2 — это мультимодальная модель эмбеддингов Google с открытыми весами, созданная на базе технологий Gemma 4. Она преобразует текст, код, изображения, видео, аудио и смешанные входные данные в общее векторное пространство размерностью 768 для поиска, RAG, оценки сходства, классификации и кластеризации.

Каков размер EmbeddingGemma 2?

Полная модель содержит 740 млн параметров. Текстовый компонент использует 270 млн параметров, а дополнительные визуальный и аудиоэнкодеры добавляют соответственно 170 млн и 300 млн параметров.

Может ли EmbeddingGemma 2 полностью работать офлайн?

Да. Google разработала ее для использования на устройствах и предлагает варианты развертывания на телефонах, ноутбуках, в браузерах и на периферийном оборудовании. Собственные демонстрации Google AI Edge выполняют локальный поиск без облачных вызовов для создания эмбеддингов.

Сколько памяти требуется EmbeddingGemma 2?

Google сообщает примерно о 191 МБ активной ОЗУ для квантованных текстовых весов и примерно о 567 МБ для полной мультимодальной модели на Pixel 11 Pro. Фактическое потребление памяти зависит от среды выполнения, оборудования, точности вычислений и активных энкодеров.

Поддерживает ли EmbeddingGemma 2 поиск по изображениям, видео и аудио?

Да. Все поддерживаемые модальности отображаются в одном векторном пространстве, поэтому текст может находить изображения, аудио или фрагменты видео, а медиаданные также можно сопоставлять с другими медиаданными.

Является ли EmbeddingGemma 2 моделью с открытым исходным кодом?

Google выпускает веса модели по коммерчески разрешительной лицензии Apache 2.0 и описывает ее как открытую модель. При этом пользователи должны соблюдать Политику запрещенного использования Gemma и применимые условия.

Можно ли использовать EmbeddingGemma 2 для локального поиска по коду?

Да. Google сообщает о результате 78.68 в MTEB Code — по сравнению с 68.76 у предыдущей EmbeddingGemma — и прямо называет локальную индексацию репозиториев и извлечение данных для кодовых агентов одними из целевых вариантов использования.

В чем разница между EmbeddingGemma 2 и Gemma 4?

EmbeddingGemma 2 — это модель эмбеддингов: она преобразует контент в векторы для извлечения и оценки сходства. Gemma 4 — генеративная модель, способная рассуждать на основе извлеченной информации, поэтому Google показывает их совместное использование в полностью локальных RAG-сценариях.

Связанные инструменты

• EmbeddingGemma 2 на Hugging Face: официальные веса модели Google, карточка модели и интеграции с библиотеками.
• Google AI Edge Gallery: демонстрационное приложение Google с открытым исходным кодом и примерами локального AI, включая поиск по медиаданным на устройстве.
• Sentence Transformers: поддерживаемый фреймворк для создания эмбеддингов EmbeddingGemma 2 и построения конвейеров извлечения.
• MediaPipe: инструменты Google AI Edge для кроссплатформенного создания эмбеддингов, извлечения данных и выполнения задач на устройстве.
• LiteRT: среда выполнения Google для периферийного вывода, оптимизированная для развертывания на CPU, GPU и NPU.
• llama.cpp: локальная среда выполнения, которую Google указывает среди инструментов развертывания EmbeddingGemma 2.

Связанные ссылки

• Исходная статья BAAI Hub: статья на китайском языке в New Intelligence, адаптированная и проверенная по фактам здесь.
• Google — запуск EmbeddingGemma 2: основной анонс с информацией о размере модели, модальностях, памяти, бенчмарках и развертывании.
• Карточка модели EmbeddingGemma 2: официальная документация по архитектуре, бенчмаркам, контексту, модальностям и рекомендуемым практикам.
• Блог разработчиков Google AI Edge: официальное руководство по Instant Media Search, Video Moments Finder, Foresight, MediaPipe и развертыванию LiteRT.
• Руководство разработчика EmbeddingGemma 2: обзор Google для разработчиков, посвященный локальному семантическому поиску и RAG.
• Руководство по текстовым эмбеддингам: официальные инструкции по настройке Sentence Transformers и созданию текстовых эмбеддингов.
• Руководство по мультимодальным эмбеддингам: официальные примеры создания эмбеддингов изображений, аудио и видео.
• EmbeddingGemma 2 на Hugging Face: официальная дистрибуция модели по лицензии Apache 2.0 и документация по использованию.

Итоги

EmbeddingGemma 2 переносит мультимодальный семантический поиск из облака в область, доступную обычному пользовательскому оборудованию. Одна модель на 740 млн параметров может создавать эмбеддинги текста, кода, изображений, видео и аудио в едином векторном пространстве, используя около 567 МБ активной ОЗУ в полной мультимодальной конфигурации Google на Pixel 11 Pro.

Ее главное практическое преимущество — архитектурная простота: одна компактная модель может поддерживать локальный поиск по медиаданным, поиск моментов в видео, конфиденциальный RAG, поиск заметок на разных языках и индексацию репозиториев без необходимости загружать каждый исходный файл на сервер.

Официальные демонстрации Google, карточка модели и стек развертывания подтверждают сценарий работы на устройстве. Показатели браузера, Nativ, поиска по турецким заметкам и Nano-плате из исходной статьи представляют собой полезные ранние эксперименты разработчиков, но их следует воспринимать как результаты, зависящие от конкретной реализации, а не как гарантированную производительность.

EmbeddingGemma 2 делает локальное мультимодальное извлечение достаточно реалистичным, чтобы фотографии, записи, видео, документы и код все чаще можно было искать там, где они уже находятся, — на собственном устройстве пользователя.