Google သည် စာသား၊ ရုပ်ပုံများ၊ အသံနှင့် ဗီဒီယို ပေါင်းစပ်မှုများကို ပေါင်းစပ်ထည့်သွင်းထားသည့် တစ်ခုတည်းသော နေရာတစ်ခုအဖြစ် ပေါင်းစပ်ထားသော ပေါ့ပါးပြီး ပေါ့ပါးသော မြှပ်နှံမှုပုံစံကို Google မှ မိတ်ဆက်ခဲ့သည်။ Google DeepMind သုတေသနအင်ဂျင်နီယာများဖြစ်သော Sahil Dua နှင့် Henrique Schechter Vera တို့မှ 2026 ခုနှစ် အောက်တိုဘာလ 6 ရက်နေ့တွင် ကြေငြာထားသော ကြေငြာချက်တွင် 740-million-parameter model ကို စီးပွားဖြစ်ခွင့်ပြုထားသော Apache 2.0 လိုင်စင်ဖြင့် ထွက်ရှိပြီး Gemma 4 ဗိသုကာလက်ရာပေါ်တွင် တည်ဆောက်ထားသော စွမ်းရည်အရှိဆုံးရွေးချယ်မှုအဖြစ် သတ်မှတ်ပေးထားပါသည်။
ပထမဆုံး EmbeddingGemma သည် ဒေါင်းလုဒ်သန်း 20 ကျော်ဖြင့် စက်ပစ္စည်းပေါ်ရှိ ရှာဖွေရေးကိရိယာများနှင့် လျှို့ဝှက်ရေးဆိုင်ရာ ပထမဦးစွာ ပြန်လည်ရယူသည့် တိုးမြှင့်ထားသော မျိုးဆက်ပိုက်လိုင်းများနှင့်အတူ Google ၏မျှော်လင့်ချက်များကို ကျော်လွန်သွားခဲ့သည်။ ပြည်တွင်း AI သတင်း အက်ပ်များ၊ မီဒီယာစာကြည့်တိုက်များနှင့် RAG စနစ်များအတွက် ဘက်စုံထည့်သွင်းမှုတစ်ခုသည် ပြည်တွင်း AI သတင်း အက်ပ်များ၊ မီဒီယာစာကြည့်တိုက်များနှင့် RAG စနစ်များအတွက် cloud ကိုမထိမိသော RAG စနစ်များကို အကဲဖြတ်ခြင်းဖြင့် တစ်နေ့တာ၏အကြီးဆုံး ဟက်ကာသတင်းဆွေးနွေးမှုများထဲမှ တစ်ခုကို ရေးဆွဲခဲ့သည်။
စာသား၊ ကုဒ်၊ ရုပ်ပုံများ၊ အသံနှင့် ဗီဒီယိုများအတွက် မော်ဒယ်တစ်ခု
EmbeddingGemma 2 ၏ ခေါင်းစီးစွမ်းရည်သည် မူလပုံစံမျိုးစုံဖြစ်သည်။ ပုံစံတူတစ်ခုချင်းစီအလိုက် သီးခြားကုဒ်နံပါတ်ကိရိယာများကို လုပ်ဆောင်ခြင်းထက် မော်ဒယ်သည် စာသား၊ ကုဒ်၊ ရုပ်ပုံများ၊ ဗီဒီယိုနှင့် အသံတို့ကို မျှဝေထားသည့်နေရာတစ်ခုတွင် ပေါင်းစပ်ထည့်သွင်းထားသည်။ Google ၏ နမူနာများတွင် မေးမြန်းမှုအဖြစ် အသံမှတ်စုတိုကို အသုံးပြု၍ သီးခြားဗီဒီယိုအပိုင်းတစ်ခုကို ရှာဖွေခြင်း သို့မဟုတ် စာသားစနစ်ဖြင့် အသံသွင်းထားသည့် နာရီများကို ရှာဖွေခြင်း အပါအဝင်၊ အားလုံးသည် ဒေသတွင်း ဟာ့ဒ်ဝဲပေါ်တွင် မော်ဒယ်တစ်ခုတည်းဖြင့် လုပ်ဆောင်ခြင်းဖြစ်သည်။
ဗိသုကာလက်ရာသည် modular ဖြစ်သည်။ စာသားသီးသန့် core သည် စိတ်ကြိုက်ရွေးချယ်နိုင်သောအမြင် (ကန့်သတ်ဘောင်သန်း 170) နှင့် အသံ (ကန့်သတ်ဘောင်သန်း 300) ကုဒ်နံပါတ်များဖြင့် ကန့်သတ်ဘောင်ပေါင်း သန်း 270 လိုအပ်ပါသည်။ ထို့ကြောင့် developer များသည် သေးငယ်သော စာသားထည့်သွင်းမှုကို ယနေ့ခေတ်တွင် အသုံးချနိုင်ပြီး မော်ဒယ်မိသားစုများကို မပြောင်းလဲဘဲ ဘက်စုံပြန်လည်ရယူခြင်းအဖြစ် ကြီးထွားလာနိုင်သည်။
စံညွှန်းရလဒ်များနှင့် သိုလှောင်မှုစွမ်းဆောင်ရည်
EmbeddingGemma 2 သည် MTEB (Massive Text Embedding Benchmark) Code နှင့် MAEB (Massive Audio Embedding Benchmark) အပါအဝင် MTEB (Massive Text Embedding Benchmark) အမျိုးအစားခွဲ 1B Multimodal embedders များကြားတွင် ဦးဆောင်ရမှတ်များ ရရှိထားကြောင်း Google မှ အစီရင်ခံတင်ပြပါသည်။ ခိုင်မာသောအမြတ်အစွန်းအများဆုံးမှာ ကုဒ်ဖြစ်သည်- MTEB ကုဒ်စွမ်းဆောင်ရည်သည် 68.76 မှ 78.68 အထိ 9.92 မှတ်အထိ ခုန်တက်သွားပြီး၊ Google မှ ပြောကြားသော မော်ဒယ်သည် ဒေသတွင်း codebase indexing၊ semantic ကုဒ်ရှာဖွေမှုနှင့် coding အေးဂျင့်ပြန်လည်ရယူခြင်းအတွက် ကောင်းမွန်သင့်လျော်သည်ဟု Google မှ ပြောကြားခဲ့သည်။ ရုပ်ပုံ၊ ဗီဒီယို၊ စာရွက်စာတမ်းများနှင့် အသံတစ်လျှောက်တွင် ကုမ္ပဏီသည် 1B ခွဲမော်ဒယ်များအတွက် အရည်အသွေးအလိုက် စံနှုန်းအသစ်ကို တောင်းဆိုထားပြီး အချို့သော အထူးပြုမော်ဒယ်များသည် ၎င်း၏အရွယ်အစားထက် နှစ်ဆပို၍ စွမ်းဆောင်နိုင်သည်ဟု ဆိုထားသည်။
သိုလှောင်မှုစွမ်းဆောင်ရည်သည် Matryoshka Representation Learning (MRL) မှ လာသည်။ အထွက်ဗက်တာများကို 768 အတိုင်းအတာမှ 512၊ 256 သို့မဟုတ် 128 အတိုင်းအတာအထိ ဒိုင်းနမစ်ဖြတ်တောက်နိုင်ပြီး ဒေသတွင်း vector ဒေတာဘေ့စ်များနှင့် မမ်မိုရီအသုံးပြုမှုအတွက် 6 ဆ သိုလှောင်မှုလျှော့ချမှုအထိ ပေးဆောင်နိုင်သည်။ ဖုန်းများ သို့မဟုတ် မြှုပ်သွင်းထားသော ဟာ့ဒ်ဝဲများပေါ်တွင် ပြန်လည်ရယူခြင်း လုပ်ဆောင်နေသည့် developer များအတွက်၊ အဆိုပါ ခြားနားချက်သည် အင်္ဂါရပ်တစ်ခု လုံးဝ တင်ပို့ခြင်းရှိမရှိ ဆုံးဖြတ်ပေးသည်။
တင်းကျပ်သော ဟာ့ဒ်ဝဲဘတ်ဂျက်များအတွက် ဒီဇိုင်းထုတ်ထားသည်။
စက်ပေါ်ရှိ ခြေရာသည် မော်ဒယ်၏ အဓိက အရောင်းရဆုံးအချက်ဖြစ်သည်။ တွက်ချက်မှုဖြင့်၊ EmbeddingGemma 2 သည် စာသားသီးသန့်အလေးချိန်အတွက် 191MB ခန့်နှင့် Google Pixel 11 Pro ရှိ ဘက်စုံသုံးမော်ဒယ်အတွက် 567MB ခန့် လိုအပ်သည်ဟု Google မှ အစီရင်ခံပါသည်။ ဆက်စပ်ဝင်းဒိုးသည် EmbeddingGemma 1 ထက် လေးဆပိုကြီးပြီး တိုကင်ပေါင်း 8,000 အထိ ကြီးထွားလာကာ အသံ 5.5 မိနစ်အထိ၊ ပုံ 29 ပုံ သို့မဟုတ် ဗီဒီယိုဘောင် 58 ခု သို့မဟုတ် ၎င်းတို့ကို ကြားဖြတ်ပေါင်းစပ်မှုတစ်ခုအတွက် လုံလောက်သည်။
မော်ဒယ်သည် ၎င်း၏ စာသားတိုကင်ဇာနှင့် အသံကုဒ်ပြောင်းစက်ကို Gemma 4 နှင့် မျှဝေထားသောကြောင့်၊ ဆော့ဖ်ဝဲအင်ဂျင်နီယာများသည် Gemma 4 နှင့်အတူ EmbeddingGemma 2 ကို အောက်ပိုင်းပေါင်းစပ်မှတ်ဉာဏ်ခြေရာဖြင့် စုစည်းထားသည့်ပိုက်လိုင်းဖြင့် လုပ်ဆောင်နိုင်ပြီး စက်ပေါ်ရှိ RAG ကို စက်တွင်းတွင် ပြန်လည်ထုတ်ယူခြင်းနှင့် မျိုးဆက်နှစ်ခုစလုံးကို စက်အတွင်းတွင် ဖြစ်ပေါ်လာစေသည်။ Google သည် ၎င်းကို ၎င်း၏ AI Edge Foresight အက်ပ်တွင် သရုပ်ပြပြီး ဒေသခံဖိုင်ပြန်လည်ရယူခြင်းကို Gemma 4 ဆက်စပ်ဆင်ခြင်ခြင်းဖြင့် တွဲထားသည်။
ကိရိယာတန်ဆာပလာနှင့် ရရှိနိုင်မှု
မော်ဒယ်ကို Google ၏ AI Edge ကိရိယာဖြင့် ရရှိနိုင်သည်။ Google AI Edge Gallery အက်ပ်သည် စာသား သို့မဟုတ် ရုပ်ပုံမေးမြန်းမှုများမှ အဓိပ္ပါယ်ဆင်တူသည့် စာကြည့်တိုက်များကို ရှာဖွေပေးသည့် Instant Media Search နှင့် စာသား သို့မဟုတ် အသံမေးမြန်းချက်များကို အသုံးပြု၍ သီးခြားမြင်ကွင်းများကို ရှာဖွေပေးသည့် Video Moments Finder တို့ကို ပြသထားသည်။ အချိန်နှင့်တပြေးညီ အမျိုးအစားခွဲခြင်း၊ လမ်းကြောင်းသတ်မှတ်ခြင်းနှင့် ခန့်မှန်းအသုံးပြုခြင်းကိစ္စများကို MediaPipe Decision Task API မှတဆင့် ဖော်ထုတ်ပြသထားပြီး Google ၏ AI Edge ဘလော့ဂ်တွင် LiteRT ဖြင့် စက်ပေါ်ရှိ ရှာဖွေမှုနှင့် RAG စနစ်များကို မည်သို့တည်ဆောက်ရမည်ကို မှတ်တမ်းတင်ထားသည်။ မော်ဒယ်ကတ်တွင် အကဲဖြတ်တိုင်းတာမှု အပြည့်အစုံကို ရနိုင်ပါသည်။
စက်ပစ္စည်းပေါ်ရှိ မြှုပ်နှံမှုသည် အဘယ်ကြောင့် အရေးကြီးသနည်း။
မြှပ်နှံထားသောမော်ဒယ်များသည် ရှေ့တန်းချတ်မော်ဒယ်များလုပ်သည့်ပုံစံအတိုင်း ခေါင်းကြီးပိုင်းများကို ရှားရှားပါးပါးပြုလုပ်လေ့ရှိသော်လည်း ၎င်းတို့သည် လက်တွေ့ကျသော AI အင်္ဂါရပ်များ- ဝေါဟာရရှာဖွေမှု၊ အကြံပြုချက်၊ ထပ်ပွားမှု၊ အမျိုးအစားခွဲခြားမှုနှင့် RAG အတွက် ပြန်လည်ထုတ်ယူမှုတို့အောက်တွင် ရှိနေပါသည်။ ၎င်းတို့ကို စက်တွင်းတွင် လုပ်ဆောင်ခြင်းသည် privacy နှင့် latency calculus ကို လုံးဝပြောင်းလဲစေသည်။ ဒေတာသည် စက်မှ ဘယ်သောအခါမှ ထွက်ခွာမသွားပါ၊ စုံစမ်းမေးမြန်းမှုများသည် အော့ဖ်လိုင်းတွင် အလုပ်လုပ်သည်၊ ၎င်းသည် မြှုပ်သွင်းထားသော စက်ပစ္စည်းများ၏ ဘီလီယံနှင့်ချီသော အတိုင်းအတာတွင် အရေးကြီးသည့် ခေါ်ဆိုမှုတစ်ကြိမ် API ကုန်ကျစရိတ်မရှိပါ။
EmbeddingGemma 2 သည် Google၊ Meta၊ Mistral နှင့် ဒေတာစင်တာမပါဘဲ အသုံးဝင်သော AI လုပ်ဆောင်နိုင်သည်ကို သက်သေပြရန်အတွက် Google၊ Meta၊ Mistral နှင့် အသုံးဝင်သော AI ဓာတ်ခွဲခန်းများ အပြိုင်အဆိုင်ယှဉ်ပြိုင်နေသည့် ထိရောက်သော open-model space တွင်လည်း ပြိုင်ဆိုင်မှုကို ပြင်းထန်စေသည်။ 740M-ပါရာမီတာ မော်ဒယ်သည် ဖုန်းတွင် ပုံစံငါးမျိုးဖြင့် ကိုင်တွယ်သည့် မော်ဒယ်သည် ထိုပြိုင်ပွဲတွင် ထင်ရှားသော အမှတ်အသား ဖြစ်သည်။ ၎င်း၏အရင်ဒေါင်းလုဒ်လမ်းကြောင်းသည် အရိပ်အယောင်တစ်စုံတစ်ရာရှိနေပါက၊ EmbeddingGemma 2 သည် လာမည့်လများအတွင်း မိုဘိုင်းနှင့် edge ထုတ်ကုန်များစွာတွင် ကျယ်ပြန့်စွာပြသနိုင်မည်ဟု မျှော်လင့်ရသည်။
AI Curve ၏ရှေ့တွင်နေပါ။
စက်ပေါ်ရှိ AI သည် လူအများစုသိရှိထားသည်ထက် ပိုမိုမြန်ဆန်လာသည်။ [aibuzzwire.news] တွင် နောက်ဆုံးထွက် AI သတင်းများကို ဖတ်ရှုရန်] (https://aibuzzwire.news) တွင် အဓိက မော်ဒယ်လ် စတင်ခြင်း၊ စံသတ်မှတ်ချက်နှင့် ဆော့ဖ်ဝဲရေးသားသူ ကိရိယာ ဖြန့်ချိမှုတိုင်းကို လွှမ်းခြုံနိုင်ပါသည်။
AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →
