Google DeepMind lanza EmbeddingGemma 2 para búsqueda multimodal en el dispositivo

Google DeepMind ha lanzado EmbeddingGemma 2, un modelo de código abierto que convierte texto, código, imágenes, vídeo y audio en un único formato buscable. Está construido sobre la arquitectura Gemma 4 y licenciado bajo la licencia permisiva Apache 2.0, lo que significa que cualquiera puede usarlo para proyectos comerciales ¹.

El modelo tiene 740 millones de parámetros y puede ejecutarse en dispositivos de consumo. Según informa Google, utiliza alrededor de 191 megabytes de RAM para trabajo solo de texto y 567 MB al utilizar todas las modalidades en un Pixel 11 Pro ¹. Lo que lo convierte en uno de los modelos de embedding multimodal más pequeños disponibles en la actualidad.

Un Espacio Para Todo

Un modelo de embedding convierte contenido como un documento o una foto en una lista de números llamada vector. Los elementos con significado similar terminan cerca unos de otros, lo que facilita buscarlos y compararlos. En una Retrieval Augmented Generation (RAG) o pipeline, estos vectores permiten que un modelo de lenguaje grande encuentre información nueva en la que no fue entrenado ¹.

EmbeddingGemma 2 mapea los cinco tipos de contenido en un espacio compartido de 768 dimensiones. Una consulta de texto puede recuperar una imagen. Una nota de voz puede encontrar un fragmento de vídeo ³. La arquitectura es modular: los desarrolladores pueden cargar solo las partes que necesitan, escalando desde 270 millones de parámetros para texto y código hasta 740 millones para el modelo completo ².

Velocidad En Dispositivos Pequeños

Google diseñó el modelo para uso en dispositivo. Mediante una técnica llamada entrenamiento consciente de la cuantización, los pesos se comprimen para ahorrar memoria sin perder mucha precisión. La compañía midió la inferencia en 37,3 milisegundos por imagen en una GPU MacBook M5 Pro ¹.

El modelo también admite Matryoshka Representation Learning (MRL), que permite a los desarrolladores reducir los vectores de salida de 768 dimensiones a 512, 256 o 128 ³. Truncar a 128 dimensiones puede reducir el almacenamiento hasta seis veces, aunque Google recomienda mantener 256 dimensiones para trabajo multimodal ¹.

La ventana de contexto contiene 8.192 tokens —cuatro veces más grande que la versión 1—, suficiente para aproximadamente 29 imágenes, 58 fotogramas de vídeo o 5,5 minutos de audio ¹.

Mejor En Código

En pruebas de referencia, EmbeddingGemma 2 obtiene resultados líderes entre modelos con menos de mil millones de parámetros. Obtuvo 78,68 en MTEB Code, saltando casi 10 puntos sobre el 68,76 de la versión 1 ¹. El rendimiento en texto multilingüe se mantuvo fuerte en 61,36 en MTEB multilingual v2 .

Los modelos más grandes aún lo superan en algunas tareas. Por ejemplo, Qwen3-VL-Embedding-2B reporta puntajes más altos pero requiere aproximadamente 2,7 veces más parámetros y no tiene soporte de audio ¹.

Los pesos ya están disponibles en Hugging Face y Kaggle, con compilaciones disponibles a través de Ollama, llama.cpp y LiteRT ¹. El soporte de ML Kit para Android con aceleración NPU llegará en semanas .

Los datos clave

• EmbeddingGemma 2 usa 740 millones de parámetros y se ejecuta con menos de 567 MB de RAM en un teléfono
• Mapea texto, código, imágenes, vídeo y audio en un único espacio vectorial compartido
• La precisión de recuperación de código saltó casi 10 puntos en comparación con la versión 1
• Matryoshka Representation Learning permite que los vectores se reduzcan a 128 dimensiones, cortando el almacenamiento seis veces
• Publicando bajo Apache 2.0, los pesos están en Hugging Face y Kaggle

Fuentes

1. Google DeepMind Releases EmbeddingGemma 2, a 740M Open Multimodal Embedding Model Built on Gemma 4 — marktechpost.com
2. EmbeddingGemma 2: The Developer Guide- Google Developers Blog
3. EmbeddingGemma 2 is a best-in-class open model for natively multimodal ...
4. EmbeddingGemma — Google DeepMind
5. google/embeddinggemma-2 · Hugging Face