غوغل تعلّم EmbeddingGemma 2 فهم النص والصور والفيديو والصوت

نموذج متعدد الوسائط في الجيب

أصدرت Google DeepMind في 6 أكتوبر 2026 نموذج EmbeddingGemma 2، وهو نموذج تمثيلات متجهة مفتوح المصدر يحل المشكلة الأساسية في هذا المجال: في السابق، كان كل نوع من البيانات يحتاج إلى نموذج خاص به، ولم تكن المتجهات الناتجة من نماذج مختلفة قابلة للمقارنة. لم يكن من الممكن وضع متجه نصي بجانب متجه صورة. يضع EmbeddingGemma 2 جميع الوسائط الخمس في فضاء واحد بـ 768 بُعداً.

يعالج النموذج النص والكود والصور والفيديو والصوت. يفتح هذا النهج إمكانيات جديدة: يمكن البحث عن مقاطع فيديو باستخدام استعلام نصي، أو العثور على صور ضمن وثائق، أو استخدام استعلام صوتي للبحث في قاعدة نصية. على الجهاز، يعمل هذا بشكل مُحكم: على هاتف Pixel 11 Pro، يستهلك الجزء النصي نحو 191 ميغابايت من ذاكرة الوصول العشوائي، بينما تستهلك النسخة الكاملة متعددة الوسائط نحو 567 ميغابايت. هذا يتيح تشغيل هذا النوع من البحث مباشرة على الهاتف دون إرسال البيانات إلى خادم.

صدرت النسخة الأولى من EmbeddingGemma في سبتمبر 2025، ولم تكن تدعم سوى معالجة النص، وحققت وفقاً لوسيلة الإعلام اليابانية livedoor أكثر من 20 مليون تنزيل. دفع نجاح النسخة الأولى غوغل إلى تطوير خليفة متعدد الوسائط.

البنية والمواصفات التقنية

يستند EmbeddingGemma 2 إلى بنية Gemma 4. يحتوي النموذج على 740 مليون معلمة، لكن هذه ليست بنية متجانسة واحدة: فالمكونات موزعة بشكل معياري — 270 مليون معلمة للجزء النصي، 170 مليون لمعالجة الصور، 300 مليون للصوت. توفر هذه البنية مرونة في النشر: يمكن استخدام المكون النصي فقط، أو تجميع النسخة الكاملة متعددة الوسائط حسب الموارد المتاحة.

يفهم النموذج أكثر من 100 لغة ويُظهر تحسناً مقارنة بالنسخة الأولى: في مهام الكود، ارتفع الأداء بنحو 14%. تم توسيع نافذة السياق إلى 8192 رمزاً — أي أربع مرات أكثر من النسخة الأولى — وهو ما يتيح معالجة متسلسلات أطول دون فقدان السياق.

إحدى الميزات المميزة هي متجهات Matryoshka: يدعم النموذج عدة أبعاد للمتجهات الناتجة: 768 أو 512 أو 256 أو 128 بُعداً. يتيح هذا اختيار التوازن الأمثل بين الدقة والسرعة حسب المهمة. يُنفَّذ الجزء النصي كمحوّل مُدمج يضم 4 رؤوس KV، منها 2 تعمل محلياً و1 تعمل عالمياً، مما يوفر كفاءة أعلى دون زيادة كبيرة في الحمل الحسابي.

تحسينات موجهة للأجهزة المحمولة

تم تحسين النموذج خصيصاً للعمل على الهواتف الذكية وأجهزة الحاسوب المحمولة. هذا يعني أن البحث الدلالي، والبحث عن المحتوى (RAG)، وتجميع البيانات، والعثور على التكرارات، وأنظمة التوصية يمكن تشغيلها بالكامل محلياً، دون إرسال بيانات المستخدم الخاصة إلى خوادم سحابية. فتحت غوغل هذا النموذج كمجموعة من الأوزان والكود، مما يتيح للمجتمع دمجه في تطبيقات وخدمات متنوعة.

التمثيل المتجه هو متجه، أي قائمة من الأرقام تصف معنى المحتوى. تحصل الأشياء المتقاربة في المعنى على متجهات متقاربة، فعلى سبيل المثال ستكون عبارتا «الطقس رائع اليوم» و«الشمس ساطعة جداً في الخارج!» قريبتين من بعضهما في الفضاء المتجهي. يعمل البحث بطريقة بسيطة: يُحسَب متجه للاستعلام، وتُحسَب متجهات لجميع الوثائق، ثم يتم العثور على أقرب الجيران وفق التشابه الجيب-تمامي. وعلى هذا المبدأ يعمل البحث الدلالي، وتقنية RAG (البحث في الوثائق مع توليد الإجابات)، والتجميع، والعثور على التكرارات، وأنظمة التوصية الشخصية.

تحل النسخة الثانية من EmbeddingGemma مشكلة عدم توافق التمثيلات المتجهة: فجميع الوسائط — النص والكود والصور والفيديو والصوت — تُحوَّل إلى فضاء واحد بـ 768 بُعداً، مما يتيح مقارنة عناصر مختلفة النوع في سياق مهمة واحدة.