Google 放出 EmbeddingGemma 2：740M 的端侧模型，把文字、图片、音频、视频嵌进同一个空间

十月六日，Google DeepMind 发布 EmbeddingGemma 2：一个 740M 参数、Apache 2.0 许可的开源嵌入模型，构建在 Gemma 4 架构上。它的卖点是把文字、代码、图片、视频、音频映射进同一个 768 维空间，支持 8K token 上下文，面向端侧检索、分类和「数据不出设备」的 RAG。权重当天上线 Hugging Face 与 Kaggle，并提供了 Ollama、llama.cpp 的 GGUF 与 LiteRT 版本。官方给的分项对比是：代码检索（MTEB Code v1）从上一代的 68.76 提到 78.68，多语言文本基本持平（61.36），并新增了图像（MIEB lite 64.64）、声音检索（MSEB 69.54）与音频（MAEB 49.39）等项目。工程侧也给了量级：在 Pixel 11 Pro 上量化后纯文本权重常驻内存约 191MB，全多模态约 567MB。