EmbeddingGemma 2 发布：740M 参数，一个模型搜遍文字、图片、音频和视频

发布了什么

10 月 6 日，Google DeepMind 在官方博客宣布发布 EmbeddingGemma 2。这是一个嵌入模型，作用是把文字、代码、图片、音频和视频转成向量，放进同一个向量空间。转完之后，跨模态搜索就变成算向量距离：你给一段文字，它能找出意思最接近的图片或视频片段。

模型共 740M 参数，基于 Gemma 4 架构。权重在 Hugging Face 和 Kaggle 公开，许可证是 Apache 2.0，商用没问题。

前一代 EmbeddingGemma 是去年发布的，只处理文本。Google 说它被下载超过 2000 万次，开发者拿它做端侧搜索和注重隐私的 RAG。这一代最大的变化，是一个模型吃下五种输入。

能干什么

官方给了几个具体例子。用一段语音备忘录当输入，找到对应的视频片段。用文字描述，在几小时的录音里定位内容。文字、图片、音频、视频混在一起，由这一个模型处理。

它和 Gemma 4 共享音频编码器和分词器。两个模型可以同时跑，总内存占用更低。搭配 Gemma 4，开发者能做完全离线的本地文件问答：数据不出设备，问题都在本地算。

跑起来有多重

端侧模型最关键的是内存。按报道，在 Pixel 11 Pro 上，纯文本版本占用约 191 MB 活跃内存，完整多模态版本约 567 MB。这个量级，普通手机直接能跑。

性能方面，Google 的说法是“同类最佳的开源原生多模态嵌入模型”。官方还提到，它在多项基准上能超过参数量两倍以上的专用模型。另据报道，它在 MTEB Code 上的分数从 68.76 提到 78.68，适合给本地代码库建索引。

Google 的配套动作

模型发布的同时，Google 往自家端侧工具里加了新功能。

AI Edge Gallery 是 Google 给开发者在设备上试模型的 App。这次新增两个功能：Instant Media Search，用自然语言描述或一张示例图片，搜手机里的照片和视频；Video Moments Finder，按文字描述定位本地视频里的具体片段，比如“小孩在笑”这种，不用先把音频转成文字。

还有一个实验性的 Mac 应用 Google AI Edge Foresight，用来搜电脑里的会议记录、笔记、图片和文档。

接下来几周，模型会进入 Android 的 ML Kit，支持有硬件加速的设备。Google 还把它接到 MediaPipe 工具链，开发者可以在 iOS、macOS、Windows、Linux 和 Web 上做端侧搜索和分类功能。

为什么值得关注

两个原因。第一，隐私。搜索和 RAG 全在本地跑，文件不用上传云端。处理会议记录、代码库这类敏感内容的人，对这一点需求很实在。

第二，许可证。Apache 2.0 意味着可以直接拿去商用。740M 参数、几百 MB 内存，独立开发者也玩得起。

生成模型已经有了（Gemma 4、Gemma 3n），现在检索这块也补上了。接下来看开发者能做出什么。