Google представила EmbeddingGemma 2 — открытую модель, которая переводит текст, код, изображения, видео и аудио в единое векторное пространство. Это позволяет искать нужный кадр в видео по голосовой заметке, находить фото по текстовому описанию или искать по аудиозаписям текстом — всё локально, без отправки данных в облако.

Модель построена на Gemma 4i и работает даже на смартфонах: по данным Google, на Pixel 11 Pro полная модель потребляет около 567 МБ активной RAM. В отличие от первой версии EmbeddingGemma, которая работала только с текстом, вторая версия мультимодальна и, по заявлению Google, показывает лучший результат среди мультимодальных эмбеддеров до 1 млрд параметров.

Полный разбор →