Google 开源 EmbeddingGemma 2，是其首个原生多模态开放嵌入模型，740M 参数可处理文本、代码、图像、视频和音频，权重已上架 Hugging Face。
作者分析了这个嵌入模型的本地运行方式和模态统一检索能力，也指出纯文本检索几乎没进步，读者可以据此判断适用场景。
Google 昨天开源的 EmbeddingGemma 2，把搜索这一层直接搬进了浏览器，大多数人会因为它不会聊天直接划走，但它可能比下一个大模型更能改你的工作流。
文字、图片、视频、音频都在本机算，不要服务器，不要 API key，
Hugging Face 的 Victor 说浏览器 WebGPU 上单次查询大约 20 到 70 毫秒，数据留在你自己的电脑里。
它不是聊天模型，不会写文案，
它只干一件事：把一段内容变成一串坐标，意思接近的东西挨得近，
搜索、RAG、去重，底层全靠这个。
以前跨模态搜索是裂开的，
图片先转成文字，语音先转成文字，再拿文本模型去算，
每转一次就丢一层信息，多一段延迟，多一次把数据送出门。
现在五种内容进同一个 768 维空间，
一段语音备忘录可以直接对上某段视频画面，不用先转写。
而且它是拆着装的，只要文字 270M，加图片 440M，全上才 740M，
向量还能从 768 维截到 256 维，一百万条从将近 3GB 缩到三分之一，质量只掉 1 到 2%。
最狠的是它走 Apache 2.0，能微调，能塞进自己的产品，
检索这一层的成本被打到接近零，
对卖 embedding API 的人是威胁，对做本地工具的人是零件。
但也别神化，纯文本检索几乎没进步，MTEB 61.36 对上一代 61.15，
它赢的是模态和体积，视频也还是抽帧。
下周大家还会去追会说话的模型，
真正改个人工作流的，往往是这种不会说话、只负责让你找得到东西的小模型。
铁汁们最想先让哪一堆东西变得能搜，相册、会议录音，还是收藏夹呢 https://x.com/victormustar/status/2107521244870615416/video/1
Introducing EmbeddingGemma 2, a new open multimodal model that sets the standard for on-device efficiency. - our first open, natively multimodal embedding model - handles text, code, image, video, and audio tasks within a lightweight, modular 740M parameter form factor - ideal for offline, privacy-first RAG when paired with Gemma 4 - outperforms some specialist models more than twice its size Weights available now on Hugging Face.在 X 查看被引用的帖子
来源：AYi · x.com