Google 发布 EmbeddingGemma 2 端侧多模态嵌入模型

Google 发布了 EmbeddingGemma 2，用于设备端多模态 AI，采用 Apache 2.0 许可证。

> 将文本、代码、图像、音频和视频放入手机上的同一个可搜索空间。

> 为手机补上了缺失的一环：无需将数据发送到服务器，就能理解和搜索你自己的内容。

> 740M 参数，采用 Gemma 4 架构。

> 其各部分是模块化的，因此纯文本应用只需 270M 参数，而 170M 视觉编码器和 300M 音频编码器仅在需要时加载。

> 在 Pixel 11 Pro 上，量化后的文本权重占用约 191MB 活跃内存，完整的多模态模型占用约 567MB。

> 上下文窗口扩大到 4 倍，达到 8K token，足以在 1 次输入中容纳约 5.5 分钟的音频、29 张图片或 58 个视频帧。

> 代码搜索提升最大，MTEB Code 分数从 68.76 升至 78.68，而多语言文本分数保持持平。

> Google 还声称在音频和视觉基准测试中取得了 1B 以下模型的最佳成绩，并击败了一些规模是其两倍的专用模型，