谷歌发布开放模型 EmbeddingGemma 2：740M 参数，在手机本地按文字搜图片、视频和音频
谷歌 DeepMind 发布开放权重的多模态嵌入模型 EmbeddingGemma 2，把文本、图片、视频帧和音频映射到同一个向量空间；模型为 740M 参数，采用 Apache 2.0 许可，可在手机等设备上离线做语义搜索和意图分类。
谷歌称，EmbeddingGemma 2 基于 Gemma 4 架构，采用与 Gemini Embedding 模型相同的技术，把文本、代码、图片、视频和音频放进同一个嵌入空间，可用语音备忘找视频片段，或用一句文字搜索数小时录音。过去在设备上做媒体检索，开发者往往要把图片描述、语音转文字和文本嵌入几个模型串起来，现在一个模型就能完成，延迟和内存开销更低。上一代 EmbeddingGemma 只处理文本，谷歌称下载量已超过两千万次。
模型共 740M 参数，按模态拆成可单独加载的模块：纯文本只需 270M 参数，视觉编码器（170M）和音频编码器（300M）按需加入。量化后在 Pixel 11 Pro 上，纯文本权重约占 191MB 活跃内存，完整多模态模型约 567MB。上下文窗口为 8K token，是第一代的 4 倍，一次最多可处理 5.5 分钟音频、29 张图片或 58 个视频帧。输出向量默认 768 维，可截断到 512、256 或 128 维，以减少本地向量库的存储和内存占用。
谷歌称，它在 MTEB Code、MAEB（音频嵌入基准）等测试中领先 1B 参数以下的多模态嵌入模型，多语言文本表现与上一代持平，代码检索得分从 68.76 提高到 78.68，适合本地代码库索引和编程智能体检索。以上均为谷歌自报结果，完整评测见其模型卡。
普通用户可以先在 Google AI Edge Gallery 应用（Android 和 iOS）里试用两个新演示：一个用自然语言或示例图片在手机本地相册里即时找图，边输入边更新结果，无需联网；另一个在本地视频里直接定位“狗接飞盘”这类画面，不用先转写音频或生成文字描述。谷歌还推出实验性的 Mac 应用 Google AI Edge Foresight，结合 Gemma 4 在本地做会议笔记增强和资料检索，可接入任意会议平台。
开发者可以在 Hugging Face 和 Kaggle 下载权重，模型支持 transformers、sentence-transformers、MLX、vLLM、llama.cpp、Ollama 等常用工具，采用 Apache 2.0 许可，可商用。谷歌还强调它可作为端侧“决策引擎”：不需要训练数据或微调，就能把输入直接和分类标签匹配，做零样本意图路由；演示中 MediaPipe Decision 任务每一步评估 500 个国际象棋走法，响应时间不到 100ms。在 MacBook M5 Pro 的 GPU 上，单张图片的视觉嵌入最快 37.3 ms。Android 的 ML Kit 接入将在未来几周推出，届时可在支持的设备上用 NPU 加速。
来源
- Bring multimodal semantic search to the edge with EmbeddingGemma 2 — Google Developers Blog（RSS）
- EmbeddingGemma 2: an open, lightweight multimodal embedding model — Google