Google DeepMind EmbeddingGemma 2 диэн кыра аһаҕас модели таһаарда: тиэкис, код, ойуу, видео уонна дорҕоон биир көрдөөһүн эйгэтигэр

2026 сыл алтынньы 6 күнүгэр Google DeepMind EmbeddingGemma 2 диэн аһаҕас эмбеддинг модельын таһаарда — бу контены вектордарга кубулутар модель, онон сыһыарыылар көрдүүр уонна тэҥнээн көрөр кыахтаналлар. Google этэринэн, бастакы EmbeddingGemma (2025, тиэкис эрэ) 20 мөлүйүөнтэн тахса төгүл хачайдаммыт.

Туох саҥа

• Биир эйгэҕэ биэс көрүҥ дааннай: тиэкис, код, ойуу, видео уонна дорҕоон уопсай 768 кээмэйдээх вектор эйгэтигэр киирэллэр — холобур, куолас бэлиэтээһининэн видео кырадаһынын булуохха, эбэтэр тиэкис ыйытыгынан хас да чаастаах аудиоҕа көрдүөххэ сөп.
• Кыра уонна модульнай: барыта 740 мөлүйүөн параметр — 270 мөл. тиэкис модельыгар 170 мөл. көрүү уонна 300 мөл. аудио кодировщиктара эбиллэллэр. Сайыннарааччылар наадалаах чаастарын эрэ киллэриэхтэрин сөп (тиэкискэ уонна кодка 270 мөл.).
• Gemma 4 архитектуратыгар олоҕурар, урбаан туттуутун көҥүллүүр Apache 2.0 лицензиялаах; ыйааһыннара Hugging Face уонна Kaggle сирдэргэ.
• Контекст түннүгэ 8192 токен, бастакы барылыттан түөрт төгүл улахан. Өйгө миэстэни кэмчилээри вектордары 512, 256 эбэтэр 128 кээмэйгэ диэри кылгатыахха сөп.
• Google дааннайынан, MTEB Code тиэстэ 68,76-тан 78,68 буолбут; компания 1 млрд параметртан кыра мультимодальнай моделлэр истэригэр бастыҥ түмүктээхпит диир.
• Pixel 11 Pro төлөпүөҥҥэ квантованиелаах тиэкис барыла 191 МБ кэриҥэ, толору мультимодальнай барыл 567 МБ кэриҥэ оперативнай өйү ылар, диир Google.

Google ыйбыт хааччахтара

Модель карточкатыгар суруллубутунан, EmbeddingGemma 2 куттала суох буолуутугар эбии үөрэтиини ааспатах; 100-тэн тахса тылыгар хаачыстыбата араас буолуон сөп; float16 алдьаммыт эмбеддинглэри биэриэн сөп буолан, bfloat16 эбэтэр float32 туттуллуохтаах. Тиэст түмүктэрэ — Google бэйэтин дааннайа.