EmbeddingGemma 2 expande capacidades para texto, imagem, v?deo e ?udio
Google DeepMind lan?ou oficialmente o EmbeddingGemma 2, o modelo de embedding mais capaz para dispositivos edge, capaz de mapear combina?es nativas de texto, imagens, ?udio e v?deo em um ?nico espaço de embedding unificado. O modelo anterior, lan?ado no ano passado, superou as expectativas da comunidade de desenvolvedores, atingindo mais de 20 mil downloads e impulsionando ferramentas de busca local e pipelines de gera??o aumentada por recupera??o (RAG) com foco em privacidade.
Arquitetura baseada em Gemma 4 e licen?a permissiva
Constru?do sobre a arquitetura Gemma 4 e lançado sob a licen?a Apache 2.0, comercialmente permissiva, o EmbeddingGemma 2 possui 740 milh?es de par?metros, tornando-o ideal para infer?ncia em hardware de consumo. Ele unifica c?digo, imagens, v?deo e ?udio em um mesmo espaço de representa??o, permitindo, por exemplo, localizar um clipe espec?fico de v?deo a partir de um ?udio de voz ou buscar em horas de grava??es de ?udio usando apenas uma consulta textual.
Desempenho t?cnico e ganhos significativos
Desenvolvido com a mesma tecnologia por tr?s dos modelos Gemini Embedding, o EmbeddingGemma 2 mant?m o desempenho multil?ngue forte do modelo anterior, enquanto registra um ganho significativo de 9,92 pontos no desempenho de c?digo (no benchmark MTEB Code, subindo de 68,76 para 78,68). Isso o torna adequado para indexagem de base de c?digo local, busca sem?ntica de c?digo e recupera??o por agentes de programao. Em imagens, v?deo, documentos e ?udio, o modelo estabelece um novo padr?o de qualidade por par?metro para modelos com menos de 1 bilh?o de par?metros, superando alguns modelos especializados mais do que o dobro de seu tamanho.
Privacidade, lat?ncia e aplica??es offline
A gera??o local de embeddings garante privacidade de dados, reduz a lat?ncia do pipeline e capacita desenvolvedores a construir buscas e recupera??o cross-modal que funcionam inteiramente offline. Quando combinado com modelos generativos como o Gemma 4, o EmbeddingGemma 2 permite pipelines RAG locais que compreendem dados multimodais complexos. Por ser constru?do sobre a mesma base do Gemma 4 e compartilhar seu tokenizador textual e codificador de ?udio, os modelos podem ser executados em conjunto em um pipeline unificado, com menor custo total de mem?ria.
Aplica??es pr?ticas e parceiros
Os desenvolvedores podem usar texto ou imagem para encontrar correspond?ncias sem?nticas em bibliotecas de m?dia, experimentando isso no Instant Media Search do Google AI Edge Gallery. O Video Moments Finder permite localizar momentos espec?ficos em v?deo usando consultas textuais ou de ?udio. O app Google AI Edge Foresight combina a recupera??o local de arquivos do EmbeddingGemma 2 com o racioc?nio contextual do Gemma 4. Al?m disso, o MediaPipe Decision Task API permite criar motores de decis?o em tempo real, usando contexto multimodal para classifica??o, roteamento e capacidades preditivas.
Disponibilidade e recursos
O modelo est? imediatamente dispon?vel para uso, com guias de desenvolvedor, documenta??o e instru?es para infer?ncia e fine-tuning. A Google trabalhou diretamente com parceiros para garantir que o EmbeddingGemma 2 funcione de forma imediata onde os desenvolvedores constroem suas aplica??es.
Com informa??es de: Google DeepMind