EmbeddingGemma 2

EmbeddingGemma 2 是 Google DeepMind 開放且輕量的多模態嵌入模型，將文字、程式碼、圖片、影片與音訊映射至共享嵌入空間，協助開發者打造注重隱私的本機搜尋、語意檢索、程式碼索引與裝置端 RAG 工作流程。

AI開發者工具

AI搜尋引擎

訪問網站

概覽

EmbeddingGemma 2 是 Google DeepMind 開放且輕量的多模態嵌入模型。它會將文字、程式碼、圖片、影片與音訊的組合轉換至統一嵌入空間，讓應用程式能跨媒體類型尋找語意相關內容，而不僅依賴精確關鍵字。

此模型針對注重隱私的裝置端工作流程而設計，例如本機媒體搜尋、程式碼庫索引、語意檢索與檢索增強生成。其模組化架構、可設定的向量維度與 8K token 上下文視窗，旨在協助開發者將多模態檢索整合至資源受限的本機環境。

主要功能

原生多模態嵌入

將文字、程式碼、圖片、影片與音訊映射至同一共享嵌入空間，支援不同媒體類型之間的語意比較。

裝置端推論

採用專為本機推論設計的 7.4 億參數架構；來源回報，在 Google Pixel 11 Pro 上，量化後的純文字權重約需 191 MB，而完整多模態模型約需 567 MB。

模組化模型設計

支援約 2.7 億參數的純文字設定，並可選用 1.7 億參數的視覺編碼器與 3 億參數的音訊編碼器，以處理多模態工作負載。

延伸上下文

提供 8K token 的上下文視窗，可直接在本機硬體上支援最長 5.5 分鐘的音訊、29 張圖片、58 個影片畫格，或交錯組合。

彈性向量大小

Matryoshka Representation Learning 可將向量從 768 維截短至 512、256 或 128 維；根據來源，這可讓本機向量資料庫與記憶體需求最多降低六倍。

開放的開發者生態系

此模型採用 Apache 2.0 授權發布，可搭配 Google AI Edge MediaPipe、LiteRT、transformers.js 與 WebGPU 等瀏覽器工具，以及 Google 列出的多個模型服務框架使用。

使用情境

私密媒體搜尋
在本機嵌入檔案、圖片、錄音與其他個人媒體，接著透過文字或圖片查詢檢索相關項目，而不必將來源內容傳送至遠端服務。
音訊與影片片段檢索
透過輸入文字描述或使用音訊查詢，搜尋長時間錄音或影片集合，以找出語意相關的片段。
程式碼庫索引
為本機儲存庫建立索引，並支援語意程式碼搜尋或程式碼代理檢索。來源回報，在 MTEB Code 上相較第一代 EmbeddingGemma 提升 9.92 分。
裝置端 RAG
使用 EmbeddingGemma 2 進行本機檢索，並搭配 Gemma 4 在多模態裝置端 RAG 管線中進行上下文推理。
本機分類與路由
在 MediaPipe Decision Task API 工作流程中使用多模態上下文，以進行分類、路由與預測性決策引擎處理。

Pros and Cons

Pros

在同一共享空間中結合文字、程式碼、圖片、影片與音訊嵌入。
專為離線或本機處理而設計，可減少資料傳輸並支援對隱私敏感的工作流程。
提供模組化編碼器與可選向量維度，以因應不同的資源預算。
支援本機搜尋、多模態檢索與裝置端 RAG 工作流程。
採用對商業使用限制寬鬆的 Apache 2.0 授權發布。

Cons

來源提供發布階段的資訊，但未詳細說明 API 行為、支援的作業系統版本、延遲基準或操作限制。
完整多模態推論比純文字設定需要更多資源；來源回報完整模型的作用中 RAM 顯著較高。
未提供定價與服務條款；模型採 Apache 2.0 授權發布本身並未涵蓋所有部署或託管考量。

FAQ

什麼是 EmbeddingGemma 2？

EmbeddingGemma 2 會將文字、程式碼、圖片、影片與音訊映射至共享嵌入空間，讓應用程式能透過語意相似度比較及檢索不同媒體類型。

EmbeddingGemma 2 可以在裝置端執行嗎？

此模型可在本機硬體上執行，並針對裝置端推論而設計。Google 回報，在 Google Pixel 11 Pro 上，量化後的純文字權重約需 191 MB 的作用中 RAM，而完整多模態模型約需 567 MB。

開發者如何開始使用 EmbeddingGemma 2？

開發者可以從 Hugging Face 和 Kaggle 下載模型權重。來源也列出 Google AI Edge MediaPipe、LiteRT、transformers.js、WebGPU、transformers、sentence-transformers、MLX、vLLM、llama.cpp、SGLang、Ollama 和 LMStudio，作為支援的開發或服務工具與環境。

EmbeddingGemma 2 支援哪些嵌入維度？

此模型支援可動態縮減的輸出向量，能使用 Matryoshka Representation Learning 將維度從 768 降至 512、256 或 128。來源說明，這可讓本機向量資料庫的儲存空間與記憶體使用量最多降低六倍。

EmbeddingGemma 2 的費用是多少？

發布文章未提供定價資訊。文章指出，此模型採用商業使用限制寬鬆的 Apache 2.0 授權發布，但使用者應查閱模型卡與相關文件，以了解適用條款與使用細節。

Quick Facts

類別: 開發者工具；AI 嵌入模型
開發者: Google DeepMind
參數量: 完整模型 7.4 億
上下文視窗: 8K token
授權: Apache 2.0
模型來源: Hugging Face 和 Kaggle