Google DeepMind发布EmbeddingGemma 2：7.4亿参数开源多模态嵌入模型

全模态统一嵌入：一个向量空间覆盖五类输入

EmbeddingGemma 2是Google DeepMind推出的第二代开源嵌入模型，核心目标是实现跨模态语义对齐——将文本、代码、图像、视频和音频全部映射到同一个768维向量空间中。这意味着用户可用纯文本查询检索图像，用语音备忘录匹配视频片段，甚至对包含文字描述、产品图与演示视频的混合内容生成单一嵌入向量。该模型基于Gemma 4架构构建，采用模块化设计：文本与代码主干（270M参数）、可选视觉编码器（170M参数）和可选音频编码器（300M参数）。开发者可根据终端设备能力按需加载组件——仅文本需270M参数，文本+视觉为440M，文本+音频为570M，全模态则达740M。所有配置共享同一向量空间，确保不同配置下生成的嵌入具备互操作性。

性能与效率：兼顾精度与端侧部署

模型上下文窗口扩大至8,192 tokens（为上一代的4倍），可容纳约29张图像、58帧视频或5.5分钟音频。在MTEB Code与MAEB等权威基准测试中，EmbeddingGemma 2在子10亿参数模型中表现领先：MTEB Code v1得分78.68，较前代提升9.92分（约14%）；MTEB多语言v2得分为61.36，保持稳定。尽管更大参数模型（如Qwen3-VL-Embedding-2B）在部分榜单上仍占优，但EmbeddingGemma 2以更小体积实现了更高性价比。针对移动端与笔记本优化，量化后在Pixel 11 Pro上文本-only模式仅占用约191MB内存，全模态版本约567MB；MacBook M5 Pro GPU上单图处理延迟低至37.3ms（70-token视觉预算）。模型支持Matryoshka表示学习（MRL），允许动态截断向量维度至512、256或128维——从768维降至256维时，MTEB多语言得分仅微降0.95分（61.36→60.41）；128维适用于纯文本场景，但MMEB图像检索得分显著下降至45.65，故不推荐用于复杂多模态任务。

开源生态与即用能力

EmbeddingGemma 2采用Apache 2.0许可证，权重已开放下载，支持Hugging Face、Kaggle、Ollama、llama.cpp GGUF及LiteRT等多种格式。官方提供sentence-transformers、Transformers、vLLM、SGLang、MLX、LM Studio等主流工具链集成示例，并明确适配Qdrant向量数据库与Unsloth微调框架。Android平台ML Kit支持（含NPU加速）预计数周内上线。开发者可通过一行pip命令快速启动：`pip install -U "sentence-transformers[image,audio,video]"`，随后调用`sentence_transformers.SentenceTransformer`加载模型并执行跨模态相似度计算。Ollama用户可直接运行`ollama pull embeddinggemma-2`，镜像按参数规模分档（270m/378MB至740m/1.3GB）。交互式Demo已入驻Google AI Edge Gallery。

对比竞品：定位清晰的端侧优先方案

与同类模型相比，EmbeddingGemma 2突出‘开放’与‘轻量可控’：参数量（740M）介于EmbeddingGemma 1（308M）与Qwen3-VL-Embedding-2B（2B）、LCO-Embedding-Omni-3B（3B骨干）之间，但唯一同时支持全部五种模态且完全开源；上下文长度（8K tokens）优于前代（2K）但弱于Qwen3-VL（32K）；输出维度支持MRL灵活裁剪，而Gemini Embedding 2虽为3072维但仅限付费API使用。其100+语言支持、端侧RAM占用数据及明确的硬件适配路线，凸显其面向隐私优先RAG、离线搜索与设备端分类等场景的战略取向。