Google 发布 EmbeddingGemma 2：让文字、图片和音视频进入同一个搜索空间

Google 于2026年10月6日发布 EmbeddingGemma 2。这是一款开放的多模态嵌入模型，重点是把不同内容转换成可以比较的向量，帮助应用检索资料、整理媒体和构建本地知识库。官方发布说明

从关键词搜索到跨模态检索

想找一段“狗接住飞盘”的视频，常见方案需要先描述画面、转录声音，再建立文字索引。EmbeddingGemma 2 的设计是让文字、代码、图片、视频和音频进入统一的768维向量空间，减少串接中间模型的需要。开发者指南

这种能力适合照片搜索、素材库查找和代码检索。它输出的是内容表示，主要承担“找资料”的工作；构建检索增强生成应用时，仍需搭配生成模型。找到相关材料与写出准确答案，需要分别评估。

模型基于 Gemma 4，完整版本为7.4亿参数，采用 Apache 2.0 许可。开发者可以按任务加载组件：文字和代码配置为2.7亿参数，文字加视觉为4.4亿，文字加音频为5.7亿，全模态为7.4亿。发布说明、开发者指南

输出向量可缩短到512、256或128维，最多减少六倍向量存储。不过，模型卡明确提醒，128维会明显降低多模态检索质量，应在自己的资料上验证。数据库大小与检索效果之间，需要按应用目标取舍。模型卡

内存数字也要看条件。Google 给出的约191MB文本配置和约567MB完整配置，是量化后在 Pixel 11 Pro 上的活跃内存数据，不能当成所有设备或整个应用的需求。运行库、索引规模和输入内容都会影响体验。官方测试条件

权重已通过 Hugging Face 和 Kaggle 提供。Google AI Edge Gallery 新增媒体搜索与视频片段定位演示；Android 的 ML Kit 集成属于未来几周计划，尚不能写成已经全面交付。AI Edge 说明

从应用设计看，这次发布的意义是个人知识库可以扩大资料范围，让图片、录音和视频也参与检索。这是本文对产品方向的分析。跨模态相似度并不证明内容事实正确，结果仍应保留原文件与出处，方便确认。

本文依据官方资料整理，未进行设备实测。实际采用时应检查自己的语言、素材类型与错配情况，厂商演示不代表每个项目都能复现相同效果。