谷歌 DeepMind 发布 EmbeddingGemma 2：把文本、代码、图像、视频和音频放进同一检索空间的小型开放模型

谷歌 DeepMind 于 2026 年 10 月 6 日 发布开放 嵌入模型 EmbeddingGemma 2——这类模型把内容转换成向量，供应用检索和匹配。谷歌称，第一代 EmbeddingGemma（2025 年，仅支持文本）下载量已超过 2000 万次。

新在哪里

• 五种输入，一个空间： 文本、代码、图像、视频和音频被映射到共享的 768 维 向量空间，例如可以用语音备忘录找到视频片段，或用文字查询检索数小时的录音。
• 小巧且模块化： 总参数 7.4 亿——2.7 亿参数的文本模型，加上 1.7 亿参数的视觉编码器和 3 亿参数的音频编码器。开发者可只加载所需部分（仅文本和代码为 2.7 亿）。
• 基于 Gemma 4 架构，采用允许商用的 Apache 2.0 许可；权重已在 Hugging Face 和 Kaggle 上发布。
• 上下文窗口 8192 个 token，是第一代的四倍。向量可截短到 512、256 或 128 维以节省存储。
• 谷歌称，MTEB Code 得分从 68.76 提升到 78.68，并称在 10 亿参数以下的多模态嵌入模型中成绩领先。
• 谷歌表示，在 Pixel 11 Pro 上经量化后，纯文本版本约需 191 MB 运行内存，完整多模态模型约需 567 MB。

谷歌列出的局限

模型卡指出，EmbeddingGemma 2 未 经过训练后的安全对齐；在其支持的 100 多种语言之间表现可能不均；应以 bfloat16 或 float32 运行，因为 float16 可能产生错误的嵌入。基准数据均来自谷歌自身。