Google 发布 EmbeddingGemma 2：在手机上用一句话搜照片、视频和录音

Google 发布了 EmbeddingGemma 2，这是一组面向检索任务的嵌入模型。它支持使用一句话搜索照片、视频和录音，并针对移动设备进行了优化。

Google 开源了 EmbeddingGemma 2，这是一个能在手机和电脑本地运行的多模态嵌入模型。文字、图片、视频、音频和代码都能放进同一套“坐标系”，所以你可以用一句话找到一段视频，整个过程不用联网。

嵌入模型（embedding model）是搜索背后的一层技术：它把内容转成一串数字，意思相近的内容，数字也相近。上一代 EmbeddingGemma 只处理文字，这一代把几种格式统一了起来，可以跨格式找东西。比如对着手机说一句话，找出相册里对应的视频片段；或者输入一行字，在几个小时的录音里找到某段对话。

模型有 7.4 亿参数，运行时占用 191MB 到 567MB 内存，手机上跑得动。Google 说它在同体量模型里表现最好，还超过了一些比它大一倍多的模型。它一次能处理的内容是上一代的 4 倍（8K 上下文），相当于 5.5 分钟音频、29 张图片或 58 帧视频。

它可以和 Google 的开源大模型 Gemma 4 搭配，在设备上做 RAG（检索增强生成，先查资料再回答）。EmbeddingGemma 2 从你的本地文件里找出相关内容，Gemma 4 读完后给出答案。文件不离开设备，合同、病历这类不想上传到云端的资料也能这样处理。

它基于 Gemma 4 架构，用 Apache 2.0 协议开源，可以免费商用。现在能在 Hugging Face 和 Kaggle 下载，Google 企业 AI 平台的模型库稍后上线。

Introducing EmbeddingGemma 2, a new open multimodal model that sets the standard for on-device efficiency.

Introducing EmbeddingGemma 2，一款全新的开放多模态模型，为设备端（on-device）效率树立了新标准。

• 我们的首个开放、 原生多模态（natively multimodal）嵌入模型
• 以轻量级、模块化的 740M 参数规模，同时处理文本、代码、图像、视频和音频任务
• 与 Gemma 4 搭配使用，非常适合离线、隐私优先（privacy-first）的检索增强生成（RAG）场景
• 性能优于部分规模超过其两倍的专用模型

模型权重现已可在 Hugging Face 上获取。