Google DeepMind 发布 EmbeddingGemma 2：统一文本图像视频音频的多模态嵌入模型
2026.10.06 · 产品 · 新模型 · 开源项目
EmbeddingGemma 2 将文本、图像、视频、音频映射到同一 768 维向量空间
Google DeepMind 发布开源多模态嵌入模型 EmbeddingGemma 2，可将文本（含代码）、图像、视频、音频及组合映射到统一的 768 维向量空间。模型总参数 740M，由 270M 文本模型与可选择性加载的视觉（170M）、音频（300M）编码器组成，面向手机、笔记本等消费级硬件。
- 统一 4 种模态于单一 768 维嵌入空间
- 总参数 740M，文本 270M + 视觉 170M + 音频 300M
- 支持 100+ 语言，代码任务较前代提升约 14%
- MRL 支持 128d/256d/512d/768d 截断，存储最高省 6 倍
- 8K 上下文，可处理数分钟音频或视频
为什么值得看
端侧多模态嵌入开源，检索与 RAG 可直接落地
适合谁关注
端侧 AI 开发者、RAG 与检索应用团队