谷歌开源EmbeddingGemma 2：首个原生多模态嵌入模型，支持手机本地离线搜索

10月6日，谷歌正式开源了 EmbeddingGemma 2 模型。这是谷歌推出的首个原生多模态开源嵌入模型，能够同时处理文字、代码、图片、视频和音频内容，支持在手机、笔记本及浏览器等设备上完全离线运行。该模型仅含约740M参数，内存占用约为567MB。演示显示，用户只需输入一句“鸟在唱歌”，系统即可在本地找到对应的鸟的照片和鸟叫录音波形图，整个查询过程耗时仅22毫秒，无需上传数据或调用云端API。技术层面，EmbeddingGemma 2 将多种模态内容映射至同一768维向量空间，解决了以往需转换格式才能搜索的问题。相比上一代模型，其上下文窗口扩大至8K，单次可处理约5.5分钟音频、29张图片或58帧视频，并支持100多种语言。在性能测试中，该模型图像检索得分达57.3分，视频检索得分为50.7分，显著领先同量级的Jina v5 Omni-Nano模型。谷歌CEO Sundar Pichai 指出，这一突破让手机具备了本地搜索多媒体内容的能力，用户无需将文件上传至云端即可管理相册和会议记录。开发者社区反响迅速，Hugging Face 上的 Victor M 在发布一小时后便在浏览器中成功运行该模型。此外，llama.cpp 与 Unsloth 已提供支持量化版本，实测数据显示其在M5 Max芯片上向量生成速度可达每秒817条，且在土耳其语混合提问场景下命中率提升至97%。谷歌还展示了多种应用场景，包括配合 Gemma 4 构建离线隐私优先的RAG系统、开发“Instant Media Search”相册搜索功能以及利用ESP32-S3单片机进行图像检索可视化。代码检索能力也同步提升，在MTEB Code基准测试中得分从68.76分增长至78.68分。