கூகிள் EmbeddingGemma 2 ஐ அறிமுகப்படுத்தியது, இது ஒரு திறந்த, இலகுரக உட்பொதித்தல் மாடலாகும், இது உரை, படங்கள், ஆடியோ மற்றும் வீடியோ ஆகியவற்றின் கலவையை ஒரு ஒருங்கிணைந்த உட்பொதிக்கும் இடத்தில் இயல்பாகவே வரைபடமாக்குகிறது. Google DeepMind ஆராய்ச்சிப் பொறியாளர்களான Sahil Dua மற்றும் Henrique Schechter Vera ஆகியோரால் அக்டோபர் 6, 2026 அன்று வெளியிடப்பட்ட இந்த அறிவிப்பு, வணிக ரீதியாக அனுமதிக்கப்பட்ட Apache 2.0 architecture உரிமத்தின் கீழ் வெளியிடப்பட்ட மற்றும் architecture உரிமத்தின் கீழ் வெளியிடப்பட்ட சாதனத்தில் உள்ள மல்டிமாடல் உட்பொதிப்புகளுக்கு 740-மில்லியன் அளவுரு மாடலை மிகவும் திறமையான விருப்பமாக நிலைநிறுத்துகிறது.
முதல் EmbeddingGemma ஆனது Google இன் எதிர்பார்ப்புகளை மீறியது, 20 மில்லியனுக்கும் அதிகமான பதிவிறக்கங்கள் சாதனத்தில் தேடல் கருவிகள் மற்றும் தனியுரிமை-முதல் மீட்டெடுப்பு ஆக்மென்டட் ஜெனரேஷன் பைப்லைன்களுடன். அதன் தொடர்ச்சி உடனடி டெவலப்பர் ஆர்வத்தை உருவாக்கியது, உள்ளூர் AI செய்திகள் ஆப்ஸ், மீடியா லைப்ரரிகள் மற்றும் மேகத்தைத் தொடாத RAG அமைப்புகளுக்கு ஒற்றை மல்டிமாடல் எம்பெடர் என்றால் என்ன என்பதை பில்டர்கள் மதிப்பீடு செய்ததால், அன்றைய மிகப்பெரிய ஹேக்கர் செய்தி விவாதங்களில் ஒன்றை வரைந்தனர்.
உரை, குறியீடு, படங்கள், ஆடியோ மற்றும் வீடியோ ஆகியவற்றிற்கான ஒரு மாதிரி
EmbeddingGemma 2 இன் தலைப்புத் திறன் நேட்டிவ் மல்டிமாடலிட்டி. ஒரு மாதிரிக்கு தனித்தனி குறியாக்கிகளை இயக்குவதற்கும் முடிவுகளை ஒன்றாக இணைப்பதற்கும் பதிலாக, மாதிரியானது உரை, குறியீடு, படங்கள், வீடியோ மற்றும் ஆடியோ ஆகியவற்றின் கலவையை ஒரு பகிரப்பட்ட இடத்தில் உட்பொதிக்கிறது. கூகிளின் எடுத்துக்காட்டுகளில் குரல் குறிப்பை வினவலாகப் பயன்படுத்தி ஒரு குறிப்பிட்ட வீடியோ கிளிப்பைக் கண்டறிவது அல்லது உரைத் தூண்டுதலுடன் மணிநேர ஆடியோ பதிவுகளைத் தேடுவது ஆகியவை அடங்கும், இவை அனைத்தும் உள்ளூர் வன்பொருளில் ஒரே மாதிரியால் செயலாக்கப்படும்.
கட்டிடக்கலை மட்டு. உரை-மட்டும் மையத்திற்கு 270 மில்லியன் அளவுருக்கள் தேவை, விருப்ப பார்வை (170 மில்லியன் அளவுருக்கள்) மற்றும் ஆடியோ (300 மில்லியன் அளவுருக்கள்) குறியாக்கிகள் முழு மல்டிமாடல் ஆதரவைச் சேர்க்கின்றன. எனவே டெவலப்பர்கள் இன்று ஒரு சிறிய உரை உட்பொதியை வரிசைப்படுத்தலாம் மற்றும் மாதிரி குடும்பங்களை மாற்றாமல் முழு மல்டிமாடல் மீட்டெடுப்பாக வளரலாம்.
பெஞ்ச்மார்க் முடிவுகள் மற்றும் சேமிப்பக திறன்
MTEB (மாசிவ் டெக்ஸ்ட் எம்பெடிங் பெஞ்ச்மார்க்) குறியீடு மற்றும் MAEB (மாசிவ் ஆடியோ எம்பெடிங் பெஞ்ச்மார்க்) உள்ளிட்ட தரவரிசைகளில் துணை-1B மல்டிமாடல் உட்பொதிப்பாளர்களிடையே EmbeddingGemma 2 முன்னணி மதிப்பெண்களைப் பெறுகிறது என்று Google தெரிவிக்கிறது, அதே நேரத்தில் உரை, பார்வை மற்றும் ஆடியோ பணிகள் முழுவதும் பல பெரிய மாடல்களுடன் பொருந்துகிறது அல்லது சிறப்பாக செயல்படுகிறது. குறியீட்டில் மிகவும் உறுதியான ஆதாயம்: MTEB குறியீட்டின் செயல்திறன் 68.76 இலிருந்து 78.68 ஆக 9.92 புள்ளிகள் உயர்ந்தது, இது உள்ளூர் குறியீட்டுத் தள அட்டவணைப்படுத்தல், சொற்பொருள் குறியீடு தேடல் மற்றும் குறியீட்டு முகவர் மீட்டெடுப்பு ஆகியவற்றிற்கு மிகவும் பொருத்தமான மாதிரியை உருவாக்குகிறது என்று Google கூறுகிறது. படம், வீடியோ, ஆவணங்கள் மற்றும் ஆடியோ முழுவதும், துணை-1B மாடல்களுக்கான தரம்-அளவுருவில் ஒரு புதிய தரநிலையை நிறுவனம் கோருகிறது, இது சில சிறப்பு மாடல்களை அதன் அளவை விட இரண்டு மடங்கு அதிகமாகும் என்று கூறுகிறது.
சேமிப்பக திறன் மேட்ரியோஷ்கா பிரதிநிதித்துவ கற்றலில் (MRL) இருந்து வருகிறது. வெளியீட்டு திசையன்கள் 768 பரிமாணங்களிலிருந்து 512, 256 அல்லது 128 பரிமாணங்களுக்கு மாறும் வகையில் துண்டிக்கப்படலாம், இது உள்ளூர் திசையன் தரவுத்தளங்கள் மற்றும் நினைவகப் பயன்பாட்டிற்கு 6x சேமிப்பக குறைப்பை வழங்குகிறது. தொலைபேசிகள் அல்லது உட்பொதிக்கப்பட்ட வன்பொருளில் மீட்டெடுப்பை இயக்கும் டெவலப்பர்களுக்கு, அந்த வேறுபாடு பெரும்பாலும் ஒரு அம்சம் அனுப்பப்படுகிறதா என்பதை தீர்மானிக்கிறது.
இறுக்கமான வன்பொருள் பட்ஜெட்டுகளுக்காக வடிவமைக்கப்பட்டுள்ளது
சாதனத்தில் உள்ள தடம் மாடலின் முக்கிய விற்பனைப் புள்ளியாகும். குவாண்டேசேஷன் மூலம், EmbeddingGemma 2 க்கு டெக்ஸ்ட்-மட்டும் எடைகளுக்கு 191MB ஆக்டிவ் ரேம் மற்றும் கூகிள் பிக்சல் 11 ப்ரோவில் உள்ள முழு மல்டிமாடல் மாடலுக்கு 567MB மட்டுமே தேவைப்படுகிறது என்று கூகுள் தெரிவிக்கிறது. சூழல் சாளரம் 8,000 டோக்கன்களாக வளர்ந்துள்ளது, இது EmbeddingGemma 1 ஐ விட நான்கு மடங்கு பெரியது, இது 5.5 நிமிட ஆடியோ, 29 படங்கள் அல்லது 58 வீடியோ பிரேம்களை ஒரே பாஸில் செயலாக்க போதுமானது அல்லது அதன் இடைப்பட்ட சேர்க்கைகள்.
மாடல் அதன் உரை டோக்கனைசர் மற்றும் ஆடியோ குறியாக்கியை Gemma 4 உடன் பகிர்வதால், டெவலப்பர்கள் Gemma 4 உடன் EmbeddingGemma 2 ஐ ஒரு குறைந்த ஒருங்கிணைந்த நினைவக தடம் கொண்ட ஒரு ஒருங்கிணைந்த பைப்லைனில் இயக்கலாம், இது சாதனத்தில் RAG ஐ செயல்படுத்துகிறது, அங்கு மீட்டெடுப்பு மற்றும் உருவாக்கம் இரண்டும் உள்நாட்டில் நடக்கும். கூகிள் இதை தனது AI எட்ஜ் தொலைநோக்கு பயன்பாட்டில் நிரூபிக்கிறது, உள்ளூர் கோப்பு மீட்டெடுப்பை ஜெம்மா 4 சூழல் பகுத்தறிவுடன் இணைக்கிறது.
கருவி மற்றும் கிடைக்கும் தன்மை
கூகுளின் AI எட்ஜ் கருவி மூலம் இந்த மாடல் கிடைக்கிறது. கூகுள் ஏஐ எட்ஜ் கேலரி ஆப்ஸ் உடனடி மீடியா தேடலைக் காட்டுகிறது, இது லைப்ரரி பொருத்தங்களை உரை அல்லது பட வினவல்களிலிருந்து சொற்பொருள் ஒற்றுமையைக் கண்டறியும் மற்றும் உரை அல்லது ஆடியோ வினவல்களைப் பயன்படுத்தி குறிப்பிட்ட காட்சிகளைக் கண்டறியும் வீடியோ தருணங்கள் கண்டுபிடிப்பான். மீடியாபைப் டெசிஷன் டாஸ்க் ஏபிஐ மூலம் நிகழ்நேர வகைப்பாடு, ரூட்டிங் மற்றும் முன்கணிப்பு பயன்பாட்டு நிகழ்வுகள் வெளிப்படுத்தப்படுகின்றன, மேலும் Google இன் AI எட்ஜ் வலைப்பதிவு LiteRT மூலம் சாதனத்தில் தேடல் மற்றும் RAG அமைப்புகளை எவ்வாறு உருவாக்குவது என்பதை ஆவணப்படுத்துகிறது. முழு மதிப்பீட்டு அளவீடுகள் மாதிரி அட்டையில் கிடைக்கின்றன.
சாதனத்தில் உட்பொதிப்புகள் ஏன் முக்கியம்
உட்பொதித்தல் மாதிரிகள் எல்லைப்புற அரட்டை மாதிரிகள் செய்யும் விதத்தில் தலைப்புச் செய்திகளை உருவாக்குவது அரிது, ஆனால் அவை மிகவும் நடைமுறை AI அம்சங்களின் கீழ் அமர்ந்துள்ளன: சொற்பொருள் தேடல், பரிந்துரை, துப்பறிதல், வகைப்பாடு மற்றும் RAG க்கான மீட்டெடுப்பு. அவற்றை உள்நாட்டில் இயக்குவது தனியுரிமை மற்றும் தாமதக் கால்குலஸை முழுவதுமாக மாற்றுகிறது. தரவு சாதனத்தை விட்டு வெளியேறாது, வினவல்கள் ஆஃப்லைனில் வேலை செய்யும், மேலும் ஒரு அழைப்பு API செலவும் இல்லை, இது பில்லியன் கணக்கான உட்பொதிக்கப்பட்ட சாதனங்களின் அளவில் முக்கியமானது.
EmbeddingGemma 2 ஆனது திறமையான ஓப்பன் மாடல் இடத்தில் போட்டியை தீவிரப்படுத்துகிறது, அங்கு கூகுள், மெட்டா, மிஸ்ட்ரல் மற்றும் சிறிய ஆய்வகங்களின் கூட்டமைப்பு ஆகியவை டேட்டா சென்டர் இல்லாமலேயே பயனுள்ள AI இயங்க முடியும் என்பதை நிரூபிக்க பந்தயத்தில் ஈடுபட்டுள்ளன. ஒரு ஃபோனில் ஐந்து முறைகளைக் கையாளும் 740M-அளவுரு மாதிரி அந்த பந்தயத்தில் குறிப்பிடத்தக்க குறிப்பானாகும். அதன் முன்னோடியின் பதிவிறக்கப் பாதை ஏதேனும் அறிகுறியாக இருந்தால், EmbeddingGemma 2 வரவிருக்கும் மாதங்களில் பரந்த அளவிலான மொபைல் மற்றும் எட்ஜ் தயாரிப்புகளில் காண்பிக்கப்படும் என்று எதிர்பார்க்கலாம்.
AI வளைவுக்கு முன்னால் இருங்கள்
பெரும்பாலான மக்கள் உணர்ந்ததை விட சாதனத்தில் AI வேகமாக முன்னேறி வருகிறது. AIbuzzwire.news இல் சமீபத்திய AI செய்திகளைப் படிக்கவும் ஒவ்வொரு முக்கிய மாடல் வெளியீடு, பெஞ்ச்மார்க் மற்றும் டெவலப்பர் கருவி வெளியீடு ஆகியவற்றைப் பற்றிய தகவல்களைப் பெறவும்.
மேலும் AI செய்திகளைப் படிக்கவும் →
