Google pristatė EmbeddingGemma 2 — atvirą daugiarūšį embeddingų modelį RAG sprendimams
Trumpai: Google išleido EmbeddingGemma 2 — Gemma 4 pagrindu sukurtą embeddingų modelį, platinamą pagal Apache 2.0 licenciją, kuris tekstą, kodą, vaizdus, video ir garsą sudeda į bendrą 768 dimensijų vektorinę erdvę. Modelis moduliškas — galima įkelti tik reikalingus enkoderius: 270M parametrų vien tekstui ir kodui, iki 740M visoms modalumams. Google teigia, kad MTEB Code lyginamajame teste rezultatas pagerėjo 14% lyginant su EmbeddingGemma 1, išlaikant ankstesnio modelio daugiakalbio teksto tikslumą.
Šią santrauką automatiškai parengė dirbtinis intelektas pagal „Google Developers“ publikaciją. Tai mūsų tekstas, ne originalo kopija — faktai, skaičiai ir citatos priklauso šaltiniui, kurio nuoroda pateikta viršuje ir apačioje.
Kas pasikeitė?
- 1Sukurtas Gemma 4 pagrindu, moduliškai keičiant dydį nuo 270M (tik tekstas/kodas) iki 740M parametrų (visos modalumos)
- 2Teksto, kodo, vaizdo, video ir garso embeddingai dalijasi viena 768 dimensijų vektorine erdve
- 38192 tokenų konteksto langas galioja visoms modalumos
- 4Matryoshka Representation Learning (MRL) leidžia sutrumpinti vektorius nuo 768 iki 128 dimensijų, taupant saugyklą
- 5MTEB Code rezultatas pagerėjo 14% lyginant su EmbeddingGemma 1
- 6Veikia per sentence-transformers, vLLM, Hugging Face Transformers, Ollama, LMStudio ir kitus įrankius, licencijuota pagal Apache 2.0
| Parametras | Buvo | Dabar |
|---|---|---|
| Pagrindinė architektūra | Nenurodyta | Gemma 4 pagrindu sukurtas dekoderis |
| Parametrai | Nenurodyta | 270M (tekstas/kodas) iki 740M (visos modalumos) |
| Embeddingų erdvė | Nenurodyta | Bendra 768 dimensijų erdvė visoms modalumos |
| Konteksto langas | Nenurodyta | 8192 tokenai |
| Dimensijų trumpinimas | Nenurodyta | Matryoshka Representation Learning, nuo 768 iki 128 dimensijų |
| Kodo paieškos lyginamasis testas (MTEB Code) | EmbeddingGemma 1 bazinis rezultatas | +14% rezultatas lyginant su EmbeddingGemma 1 |
| Licencija | Nenurodyta | Apache 2.0 |
Kodėl tai svarbu?
Komandoms, kuriančioms paiešką per įvairų turinį (pagalbos užklausas, skambučių įrašus, ekrano kopijas, dokumentaciją), dabar galima naudoti vieną kompaktišką modelį vietoj atskirų embeddingų kiekvienai modalumai, taip supaprastinant indeksavimo ir paieškos sistemas bei mažinant skaičiavimo ir saugyklos poreikius.
Ką tai reiškia AI agentams ir kontaktų centrams?
Jei jūsų įmonė indeksuoja skambučių transkripcijas, garso įrašus, agentų ekranų nuotraukas ar pagalbos dokumentaciją semantinei paieškai, šis modelis siūlo bendrą vektorinę erdvę visam tam su nedideliu atminties pėdsaku ir keičiamu dimensijų dydžiu — verta išbandyti lyginant su dabartiniais embeddingų sprendimais tikslumo ir infrastruktūros kaštų požiūriu, ypač kad vektorių sutrumpinimas gali sumažinti saugyklą iki 6 kartų.
🧪 Verta testuoti
Gebėjimas sujungti garsą, tekstą ir vaizdinį turinį vienoje vektorinėje erdvėje su nedideliu parametrų skaičiumi, kartu su lanksčiu dimensijų trumpinimu, daro jį verta lyginamąja priemone kontaktų centro paieškai ir RAG panaudojimui, kur svarbu saugykla ir vėlavimas.
Šaltiniai
- Google DevelopersOficialusPirminis šaltinisOriginalus straipsnis →„EmbeddingGemma 2: The Developer Guide“2026-10-06 03:00
- Google DevelopersOficialusOriginalus straipsnis →„Bring multimodal semantic search to the edge with EmbeddingGemma 2“
- Šaltinio publikavimo data
- 2026-10-06 03:00
- Mūsų sistema rado
- 2026-10-06 19:05
- Santrauka sugeneruota
- 2026-10-06 19:07
Straipsnį pagal originalų šaltinį parašė AI. Faktai, skaičiai ir kainos — iš šaltinio; trūkstamos reikšmės pažymėtos „Nėra oficialių duomenų“. Teisinė informacija, autorių teisės ir privatumas