Google DeepMind lancia EmbeddingGemma 2 per la ricerca multimodale sul dispositivo

Google DeepMind ha rilasciato EmbeddingGemma 2, un modello open-source che trasforma testo, codice, immagini, video e audio in un unico formato ricercabile. È costruito sull'architettura Gemma 4 ed è sotto licenza Apache 2.0, una licenza permissiva che significa che chiunque può utilizzarlo per progetti commerciali ¹.

Il modello ha 740 milioni di parametri e può girare su dispositivi consumer. Google segnala che occupa circa 191 megabyte di RAM per il lavoro solo testuale e 567 MB quando si usano tutte le modalità su un Pixel 11 Pro ¹. Questo lo rende uno dei modelli di embedding multimodali più piccoli disponibili oggi.

One Space for Everything

Un modello di embedding converte un contenuto come un documento o una foto in un elenco di numeri chiamato vettore. Elementi con significato simile finiscono vicini tra loro, il che li rende facili da cercare e confrontare. In una pipeline di Retrieval Augmented Generation o RAG, questi vettori permettono a un modello linguistico di grandi dimensioni di trovare informazioni fresche su cui non è stato addestrato ¹.

EmbeddingGemma 2 mappa tutti e cinque i tipi di contenuto in un unico spazio condiviso a 768 dimensioni. Una query testuale può recuperare un'immagine. Un promemoria vocale può trovare un frammento video ³. L'architettura è modulare: gli sviluppatori possono caricare solo le parti di cui hanno bisogno, scalando da 270 milioni di parametri per testo e codice fino a 740 milioni per il modello completo ².

Speed on Small Devices

Google ha progettato il modello per l'uso sul dispositivo. Usando una tecnica chiamata quantization-aware training, i pesi vengono compressi per risparmiare memoria senza perdere molta accuratezza. L'azienda ha misurato un'inferenza di 37,3 millisecondi per immagine su una GPU MacBook M5 Pro ¹.

Il modello supporta anche Matryoshka Representation Learning, o MRL, che permette agli sviluppatori di ridurre i vettori di output da 768 dimensioni a 512, 256 o 128 ³. Ridurre a 128 dimensioni può tagliare lo storage fino a sei volte, sebbene Google raccomandi di mantenere 256 dimensioni per il lavoro multimodale ¹.

La finestra di contesto contiene 8.192 token — quattro volte più grande della versione 1 — sufficiente per circa 29 immagini, 58 fotogrammi video o 5,5 minuti di audio ¹.

Better at Code

Nei test di benchmark, EmbeddingGemma 2 ottiene risultati guida tra i modelli con meno di un miliardo di parametri. Ha segnato 78,68 su MTEB Code, balzando di quasi 10 punti rispetto ai 68,76 della versione 1 ¹. La prestazione testuale multilingue è rimasta solida a 61,36 su MTEB multilingual v2 .

Modelli più grandi lo superano ancora in alcune attività. Qwen3-VL-Embedding-2B, per esempio, riferisce punteggi più alti ma richiede circa 2,7 volte più parametri e non ha supporto audio ¹.

I pesi sono già attivi su Hugging Face e Kaggle, con build disponibili attraverso Ollama, llama.cpp e LiteRT ¹. Il supporto ML Kit per Android con accelerazione NPU arriverà tra poche settimane .

I fatti principali

• EmbeddingGemma 2 usa 740M parametri e gira con meno di 567 MB di RAM su un telefono
• Mappa testo, codice, immagini, video e audio in un unico spazio vettoriale condiviso
• L'accuratezza nel recupero del codice è aumentata di quasi 10 punti rispetto alla versione 1
• Il Matryoshka Representation Learning permette ai vettori di ridursi a 128 dimensioni, tagliando lo storage di sei volte
• Rilasciato sotto Apache 2.0, i pesi sono su Hugging Face e Kaggle

Fonti

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