Η Google λανσάρει το EmbeddingGemma 2: Πολυτροπικές ενσωματώσεις στη συσκευή σε 740 εκατομμύρια παραμέτρους

Η Google κυκλοφόρησε το EmbeddingGemma 2, ένα ανοιχτό, ελαφρύ μοντέλο ενσωμάτωσης που αντιστοιχίζει εγγενώς συνδυασμούς κειμένου, εικόνων, ήχου και βίντεο σε έναν ενιαίο χώρο ενσωμάτωσης. Η ανακοίνωση, που δημοσιεύτηκε στις 6 Οκτωβρίου 2026 από τους ερευνητές μηχανικούς της Google DeepMind, Sahil Dua και Henrique Schechter Vera, τοποθετεί το μοντέλο 740 εκατομμυρίων παραμέτρων ως την πιο ικανή επιλογή για πολυτροπικές ενσωματώσεις στη συσκευή, που κυκλοφόρησε με εμπορική άδεια αρχιτεκτονικής Apache 2.0 και βασίζεται στο Gem.

Το πρώτο EmbeddingGemma ξεπέρασε τις προσδοκίες της Google, με περισσότερες από 20 εκατομμύρια λήψεις που τροφοδοτούν τα εργαλεία αναζήτησης στη συσκευή και τους αγωγούς επαυξημένης γενιάς για την ανάκτηση του απορρήτου. Η συνέχεια προκάλεσε άμεσο ενδιαφέρον για προγραμματιστές, προσελκύοντας μία από τις μεγαλύτερες συζητήσεις της ημέρας Hacker News, καθώς οι κατασκευαστές αξιολόγησαν τι σημαίνει μια ενιαία πολυτροπική ενσωμάτωση για τοπικές [AI news] (https://aibuzzwire.news) εφαρμογές, βιβλιοθήκες πολυμέσων και συστήματα RAG που δεν αγγίζουν ποτέ το cloud.

Ένα μοντέλο για κείμενο, κώδικα, εικόνες, ήχο και βίντεο

Η δυνατότητα επικεφαλίδας του EmbeddingGemma 2 είναι η εγγενής πολυτροπικότητα. Αντί να εκτελεί ξεχωριστούς κωδικοποιητές ανά τρόπο λειτουργίας και αποτελέσματα συρραφής, το μοντέλο ενσωματώνει συνδυασμούς κειμένου, κώδικα, εικόνων, βίντεο και ήχου σε έναν κοινόχρηστο χώρο. Τα παραδείγματα της Google περιλαμβάνουν την εύρεση ενός συγκεκριμένου βίντεο κλιπ χρησιμοποιώντας ένα φωνητικό υπόμνημα ως ερώτημα ή την αναζήτηση ωρών ηχογραφήσεων με μήνυμα κειμένου, όλα επεξεργασμένα από ένα μόνο μοντέλο σε τοπικό υλικό.

Η αρχιτεκτονική είναι αρθρωτή. Ο πυρήνας μόνο κειμένου απαιτεί μόλις 270 εκατομμύρια παραμέτρους, με προαιρετικούς κωδικοποιητές όρασης (170 εκατομμύρια παράμετροι) και ήχου (300 εκατομμύρια παράμετροι) που προσθέτουν πλήρη πολυτροπική υποστήριξη. Οι προγραμματιστές μπορούν επομένως να αναπτύξουν μια συμπαγή ενσωμάτωση κειμένου σήμερα και να εξελιχθούν σε πλήρη πολυτροπική ανάκτηση χωρίς να αλλάξουν οικογένειες μοντέλων.

Αποτελέσματα αναφοράς και απόδοση αποθήκευσης

Η Google αναφέρει ότι το EmbeddingGemma 2 επιτυγχάνει κορυφαίες βαθμολογίες μεταξύ των πολυτροπικών ενσωματωμένων υπο-1Β σε δείκτες αξιολόγησης, συμπεριλαμβανομένων των MTEB (Massive Text Embedding Benchmark) Code και MAEB (Massive Audio Embedding Benchmark), ενώ ταιριάζουν ή ξεπερνούν πολλά μεγαλύτερα μοντέλα σε εργασίες κειμένου, όρασης και ήχου. Το πιο συγκεκριμένο κέρδος είναι στον κώδικα: Η απόδοση του κώδικα MTEB εκτινάχθηκε 9,92 μονάδες, από 68,76 σε 78,68, κάτι που η Google λέει ότι κάνει το μοντέλο κατάλληλο για τοπική ευρετηρίαση βάσεων κώδικα, αναζήτηση σημασιολογικού κώδικα και ανάκτηση παράγοντα κωδικοποίησης. Σε ό,τι αφορά την εικόνα, το βίντεο, τα έγγραφα και τον ήχο, η εταιρεία διεκδικεί ένα νέο πρότυπο ποιότητας ανά παράμετρο για μοντέλα υπο-1Β, λέγοντας ότι ξεπερνά ακόμη και ορισμένα εξειδικευμένα μοντέλα περισσότερο από το διπλάσιο του μεγέθους της.

Η αποδοτικότητα αποθήκευσης προέρχεται από το Matryoshka Representation Learning (MRL). Τα διανύσματα εξόδου μπορούν να περικοπούν δυναμικά από 768 διαστάσεις σε 512, 256 ή 128 διαστάσεις, παρέχοντας έως και 6x μείωση αποθήκευσης για τοπικές διανυσματικές βάσεις δεδομένων και χρήση μνήμης. Για προγραμματιστές που εκτελούν ανάκτηση σε τηλέφωνα ή ενσωματωμένο υλικό, αυτή η διαφορά συχνά καθορίζει εάν ένα χαρακτηριστικό θα κυκλοφορήσει καθόλου.

Σχεδιασμένο για περιορισμένους προϋπολογισμούς υλικού

Το αποτύπωμα στη συσκευή είναι το βασικό σημείο πώλησης του μοντέλου. Με την κβαντοποίηση, η Google αναφέρει ότι το EmbeddingGemma 2 απαιτεί μόλις 191 MB ενεργής μνήμης RAM για βάρη μόνο κειμένου και περίπου 567 MB για το πλήρες πολυτροπικό μοντέλο σε ένα Google Pixel 11 Pro. Το παράθυρο περιβάλλοντος έχει επίσης αυξηθεί σε 8.000 διακριτικά, τέσσερις φορές μεγαλύτερο από το EmbeddingGemma 1, αρκετά για την επεξεργασία έως και 5,5 λεπτών ήχου, 29 εικόνων ή 58 καρέ βίντεο σε ένα μόνο πέρασμα ή παρεμβαλλόμενους συνδυασμούς τους.

Επειδή το μοντέλο μοιράζεται τον κωδικοποιητή κειμένου και τον κωδικοποιητή ήχου του με το Gemma 4, οι προγραμματιστές μπορούν να εκτελέσουν το EmbeddingGemma 2 μαζί με το Gemma 4 σε μια ενοποιημένη διοχέτευση με χαμηλότερο συνδυασμένο αποτύπωμα μνήμης, επιτρέποντας το RAG στη συσκευή όπου η ανάκτηση και η παραγωγή γίνονται τοπικά. Η Google το δείχνει αυτό στην εφαρμογή της AI Edge Foresight, συνδυάζοντας την ανάκτηση τοπικών αρχείων με τη λογική του Gemma 4 με βάση τα συμφραζόμενα.

Εργαλεία και διαθεσιμότητα

Το μοντέλο είναι διαθέσιμο μέσω του εργαλείου AI Edge της Google. Η εφαρμογή Google AI Edge Gallery παρουσιάζει την Instant Media Search, η οποία βρίσκει αντιστοιχίσεις βιβλιοθήκης με σημασιολογική ομοιότητα από ερωτήματα κειμένου ή εικόνας και ένα Video Moments Finder που εντοπίζει συγκεκριμένες σκηνές χρησιμοποιώντας ερωτήματα κειμένου ή ήχου. Οι περιπτώσεις ταξινόμησης, δρομολόγησης και προγνωστικής χρήσης σε πραγματικό χρόνο εκτίθενται μέσω του MediaPipe Decision Task API και το ιστολόγιο AI Edge της Google τεκμηριώνει τον τρόπο δημιουργίας συστημάτων αναζήτησης και RAG στη συσκευή με το LiteRT. Πλήρεις μετρήσεις αξιολόγησης είναι διαθέσιμες στην κάρτα μοντέλου.

Γιατί έχουν σημασία οι ενσωματώσεις στη συσκευή

Τα μοντέλα ενσωμάτωσης σπάνια γίνονται πρωτοσέλιδα όπως τα μοντέλα συνοριακής συνομιλίας, αλλά βρίσκονται κάτω από τα πιο πρακτικά χαρακτηριστικά AI: σημασιολογική αναζήτηση, σύσταση, αντιγραφή, ταξινόμηση και ανάκτηση για RAG. Η εκτέλεση τους τοπικά αλλάζει εντελώς τον λογισμό του απορρήτου και του λανθάνοντος χρόνου. Τα δεδομένα δεν φεύγουν ποτέ από τη συσκευή, τα ερωτήματα λειτουργούν εκτός σύνδεσης και δεν υπάρχει κόστος API ανά κλήση, το οποίο έχει σημασία σε κλίμακα δισεκατομμυρίων ενσωματωμένων συσκευών.

Το EmbeddingGemma 2 εντείνει επίσης τον ανταγωνισμό στον αποτελεσματικό χώρο ανοιχτών μοντέλων, όπου η Google, η Meta, η Mistral και μια ομάδα μικρότερων εργαστηρίων αγωνίζονται για να αποδείξουν ότι η χρήσιμη τεχνητή νοημοσύνη μπορεί να λειτουργήσει χωρίς κέντρο δεδομένων. Ένα μοντέλο παραμέτρων 740M που χειρίζεται πέντε τρόπους σε ένα τηλέφωνο είναι ένας αξιοσημείωτος δείκτης σε αυτόν τον αγώνα. Εάν η τροχιά λήψης του προκατόχου του είναι κάποια ένδειξη, περιμένετε το EmbeddingGemma 2 να εμφανιστεί σε μια μεγάλη γκάμα προϊόντων για κινητά και αιχμής τους επόμενους μήνες.

Μείνετε μπροστά από την καμπύλη AI

Η τεχνητή νοημοσύνη στη συσκευή εξελίσσεται ταχύτερα από ό,τι πιστεύουν οι περισσότεροι. Διαβάστε τις πιο πρόσφατες ειδήσεις τεχνητής νοημοσύνης στο aibuzzwire.news για κάλυψη κάθε σημαντικής κυκλοφορίας μοντέλων, σημείο αναφοράς και έκδοσης εργαλείου προγραμματιστή.

Διαβάστε περισσότερα νέα AI →