Google wprowadza EmbeddingGemma 2 — otwarty, wielomodalny model embeddingów do RAG
W skrócie: Google wydało EmbeddingGemma 2, model embeddingów oparty na Gemma 4, udostępniony na licencji Apache 2.0, który umieszcza tekst, kod, obrazy, wideo i audio we wspólnej przestrzeni wektorowej o 768 wymiarach. Model jest modułowy — można wczytać tylko potrzebne enkodery: 270M parametrów dla samego tekstu i kodu, do 740M dla wszystkich modalności. Google podaje wzrost wyniku o 14% w benchmarku MTEB Code względem EmbeddingGemma 1, przy zachowaniu dokładności wielojęzycznego tekstu z poprzedniej wersji.
To podsumowanie zostało automatycznie przygotowane przez sztuczną inteligencję na podstawie publikacji „Google Developers”. To nasz tekst, nie kopia oryginału — fakty, liczby i cytaty należą do źródła, do którego link znajduje się powyżej i poniżej.
Co się zmieniło?
- 1Zbudowany na bazie Gemma 4, z modułowym skalowaniem od 270M (tylko tekst/kod) do 740M parametrów (wszystkie modalności)
- 2Embeddingi tekstu, kodu, obrazu, wideo i audio współdzielą jedną przestrzeń wektorową o 768 wymiarach
- 3Okno kontekstu 8192 tokenów obowiązuje dla wszystkich modalności
- 4Matryoshka Representation Learning (MRL) pozwala przycinać wektory z 768 do 128 wymiarów, oszczędzając pamięć
- 5Wynik MTEB Code wyższy o 14% w porównaniu z EmbeddingGemma 1
- 6Działa poprzez sentence-transformers, vLLM, Hugging Face Transformers, Ollama, LMStudio i inne narzędzia, na licencji Apache 2.0
| Parametr | Było | Jest |
|---|---|---|
| Architektura bazowa | Nie określono | Dekoder oparty na Gemma 4 |
| Parametry | Nie określono | 270M (tekst/kod) do 740M (wszystkie modalności) |
| Przestrzeń embeddingów | Nie określono | Wspólna przestrzeń 768 wymiarów dla wszystkich modalności |
| Okno kontekstu | Nie określono | 8192 tokeny |
| Przycinanie wymiarów | Nie określono | Matryoshka Representation Learning, od 768 do 128 wymiarów |
| Benchmark wyszukiwania kodu (MTEB Code) | Wynik bazowy EmbeddingGemma 1 | +14% wyniku względem EmbeddingGemma 1 |
| Licencja | Nie określono | Apache 2.0 |
Dlaczego to ważne?
Zespoły budujące wyszukiwanie w zróżnicowanej treści (zgłoszenia wsparcia, nagrania rozmów, zrzuty ekranu, dokumentacja) mogą teraz użyć jednego kompaktowego modelu zamiast łączenia osobnych embedderów dla każdej modalności, co upraszcza indeksowanie i wyszukiwanie oraz zmniejsza potrzeby obliczeniowe i pamięciowe.
Co to oznacza dla agentów AI i contact center?
Jeśli Twoja firma indeksuje transkrypcje rozmów, nagrania audio, zrzuty ekranu agentów lub dokumentację wsparcia do wyszukiwania semantycznego, ten model oferuje wspólną przestrzeń wektorową dla tego wszystkiego przy niewielkim zużyciu pamięci i konfigurowalnym rozmiarze wymiarów — warto przetestować względem obecnych rozwiązań embeddingowych pod kątem dokładności wyszukiwania i kosztów infrastruktury, zwłaszcza że przycinanie wektorów może zmniejszyć zużycie pamięci nawet 6-krotnie.
🧪 Warte przetestowania
Możliwość łączenia audio, tekstu i treści wizualnych w jednej przestrzeni wektorowej przy niewielkiej liczbie parametrów, wraz z elastycznym przycinaniem wymiarów, czyni go dobrym kandydatem do testów w wyszukiwaniu dla contact center i zastosowaniach RAG, gdzie liczy się pamięć i opóźnienie.
Źródła
- Google DevelopersOficjalneŹródło pierwotneOryginalny artykuł →„EmbeddingGemma 2: The Developer Guide“6 paź 2026, 03:00
- Google DevelopersOficjalneOryginalny artykuł →„Bring multimodal semantic search to the edge with EmbeddingGemma 2“
- Data publikacji źródła
- 6 paź 2026, 03:00
- Znalezione przez nasz system
- 6 paź 2026, 19:05
- Podsumowanie wygenerowano
- 6 paź 2026, 19:07
Artykuł napisała AI na podstawie oryginalnego źródła. Fakty, liczby i ceny pochodzą ze źródła; brakujące wartości oznaczono „Brak oficjalnych danych”. Informacje prawne, prawa autorskie i prywatność