Google выпустила EmbeddingGemma 2: один поиск по тексту, коду, фото, видео и аудио

6 октября 2026 года Google DeepMind представила EmbeddingGemma 2 — открытую мультимодальную модель эмбеддингов (векторных представлений), которая работает прямо на устройстве пользователя без отправки данных в облако. Модель умеет сопоставлять текст, код, изображения, аудио и видео в едином 768-мерном векторном пространстве, позволяя, например, найти момент в видеозаписи по голосовому запросу. Весит всё это удовольствие от 191 МБ до 567 МБ оперативной памяти на смартфоне.

ℹ Что такое эмбеддинги?
Эмбеддинги (embeddings) — это числовые векторы, в которые модель «переводит» разные типы данных. Если два объекта похожи по смыслу, их векторы оказываются близко друг к другу в многомерном пространстве. Это основа семантического поиска и RAG-систем (Retrieval-Augmented Generation).

Что нового по сравнению с первой версией

EmbeddingGemma 2 — мультимодальный преемник EmbeddingGemma, текстовой модели, которую Google скачали более 20 миллионов раз. Первая версия умела работать только с текстом. Новая — принципиально иная по возможностям.

EmbeddingGemma 2 выходит за рамки текста, объединяя код, изображения, видео и аудио в едином пространстве эмбеддингов. Модель построена на архитектуре Gemma 4 и выпущена под коммерчески свободной лицензией Apache 2.0 с 740 миллионами параметров, что делает её оптимальной для инференса прямо на устройстве.

Один и тот же запрос — текстовый, голосовой или визуальный — находит нужный контент в любом формате. Без облака, без сервера, без интернета.

Архитектура: берёшь только то, что нужно

Модульная архитектура позволяет загружать только необходимые компоненты: от 270M параметров для текста и кода до 740M для всех модальностей.


graph LR
    A[Текст + Код\n270M params] -->|+Vision 170M| B[Текст + Изображения\n440M params]
    B -->|+Audio 300M| C[Полная модель\n740M params]
    C --> D[Единое векторное\nпространство 768D]

Ключевые характеристики

ПараметрEmbeddingGemma 1EmbeddingGemma 2
МодальностиТолько текстТекст, код, фото, видео, аудио
Параметры—740M (модульно от 270M)
Контекстное окно2K токенов8K токенов
RAM (текст, Pixel 11 Pro)—~191 МБ
RAM (полная модель)—~567 МБ
Размерность векторов—768 / 512 / 256 / 128
ЛицензияApache 2.0Apache 2.0
MTEB Code68.7678.68 (+9.92)

Контекстное окно в 8K токенов — в 4 раза больше, чем у первой версии — позволяет обрабатывать до 5,5 минут аудио, 29 изображений или 58 видеокадров прямо на локальном железе.

💡 Экономия места
Технология Matryoshka Representation Learning (MRL) позволяет динамически сжимать выходные векторы с 768 измерений до 512, 256 или 128. Это даёт до 6× экономии места в локальной векторной базе данных при минимальной потере качества.

Производительность на бенчмарках

EmbeddingGemma 2 достигает лидирующих результатов среди мультимодальных эмбеддеров с менее чем 1B параметров на бенчмарках MTEB Code (Massive Text Embedding Benchmark) и MAEB (Massive Audio Embedding Benchmark), при этом сравниваясь или превосходя многие более крупные модели в задачах по тексту, зрению и аудио.

Производительность по тексту сопоставима с первой версией, однако в поиске по коду результат значительно вырос: MTEB Code поднялся с 68.76 до 78.68. Модель даже превосходит некоторые специализированные решения, которые в два раза крупнее по размеру.

Что можно строить уже сейчас

EmbeddingGemma 2 нативно отображает текст, изображения, видеокадры и аудио в единое векторное пространство, что для разработчиков локального поиска и медиаретривала означает снижение задержки и накладных расходов на связывание отдельных моделей — субтитрирования, speech-to-text и текстовых эмбеддингов.

Примеры включают поиск нужного момента в видео на телефоне без транскрибации аудио или генерации подписей, а также поиск изображения по запросу на естественном языке — всё это работает на устройстве, без подключения к интернету.

📝 Практические сценарии
  • 🔍 Семантический поиск по медиатеке: найти фото или видео по текстовому описанию
  • 🎙️ Поиск по аудио: найти нужный момент в многочасовой записи через текст
  • 💻 Code search: индексация кодовой базы для локального кодового агента
  • 🤖 On-device RAG: приватный RAG-пайплайн в паре с Gemma 4 без облака

Где взять и как запустить

Веса модели доступны на Hugging Face и Kaggle, а появление в Google Model Garden ожидается в ближайшее время.

Google обеспечила совместимость с популярными инструментами: transformers, sentence-transformers, MLX, vLLM, llama.cpp, SGLang, Ollama и LMStudio. Для хранения векторов поддерживается Qdrant, для файн-тюнинга — инструкции от Unsloth.

Для деплоя на мобильных устройствах и embedded-платформах используется стек Google AI Edge:

# Установка через pip (transformers)
pip install transformers

# Загрузка модели с Hugging Face
from transformers import AutoModel, AutoTokenizer
model = AutoModel.from_pretrained("google/embedding-gemma-2")
tokenizer = AutoTokenizer.from_pretrained("google/embedding-gemma-2")
⚠ Важно
Для полного мультимодального инференса с аудио и видео потребуется устройство с поддержкой NPU или GPU — например, смартфоны на Snapdragon 8 Gen 3 и новее, или Google Pixel 9+.

Почему это важно для индустрии

EmbeddingGemma 2 — это ставка Google на privacy-first AI: мощный мультимодальный поиск без единого запроса в облако. Для разработчиков это означает возможность строить полностью локальные RAG-системы, которые понимают смешанный контент — документы с изображениями, аудиозаписи, видео — в рамках единой компактной модели.

Генерация эмбеддингов локально помогает обеспечить конфиденциальность данных, снижает задержку в пайплайне и позволяет разработчикам строить кросс-модальный поиск и ретривал, работающий полностью офлайн.

В эпоху, когда данные пользователей становятся всё более чувствительными, а регуляторное давление в части передачи данных нарастает, подобная модель — не просто технический эксперимент, а реальный инструмент для продуктов, которые уважают приватность своих пользователей.