Google تطلق EmbeddingGemma 2: خمس وسائط في فضاء من 768 بُعدًا

في 6 أكتوبر 2026 أطلقت Google DeepMind نموذج EmbeddingGemma 2، وهو نموذج تضمينات مفتوح للنصوص والشيفرة والصور والفيديو والصوت. ويُسقط النموذج أنواع البيانات الخمسة كلها في فضاء واحد من 768 بُعدًا. وبحسب Google، يشغل الجزء النصي على Pixel 11 Pro نحو 191 ميغابايت من الذاكرة العشوائية، بينما تشغل النسخة الكاملة متعددة الوسائط نحو 567 ميغابايت. وهذا حجم تطبيق متوسط، لا حجم بنية تحتية للخوادم.

ماذا يستطيع النموذج

يحوّل التضمين (Embedding) الكائن إلى متجه من الأرقام، وتأتي الكائنات المتقاربة في المعنى متجاورةً في الفضاء. وكان المطورون في السابق يعتمدون عادةً نماذج مختلفة لأنواع البيانات المختلفة: نموذجًا للبحث النصي وآخر للصور وثالثًا للصوت. ولم يكن بالإمكان مقارنة متجهات هذه النماذج بعضها ببعض، لأن لكل نموذج نظام إحداثيات خاصًا به.

أما EmbeddingGemma 2 فله نظام إحداثيات مشترك. فالاستعلام «كلب يلتقط فريسبي في الحديقة» ينتج متجهًا يقع بجوار مقطع فيديو يتناول هذا الموضوع، وبجوار صورة فوتوغرافية ومذكرة صوتية. وبالنسبة إلى المطور، يعني ذلك فهرسًا واحدًا بدل ثلاثة، واستعلامًا واحدًا بدل ثلاثة.

صدر الإصدار الأول من EmbeddingGemma في سبتمبر 2025: نموذج نصي بنحو 300 مليون معامل، كان يتسع في 200 ميغابايت من الذاكرة بعد التكميم (Quantization). وحافظ الإصدار الثاني على البعد 768 وأضاف بقية الوسائط. وبقيت ميزانية الذاكرة للجزء النصي ضمن الفئة نفسها.

المعاملات الرئيسية

بحسب Google والتحليل المنشور على Habr:

• الإصدار: 6 أكتوبر 2026، والجهة المطوّرة Google DeepMind؛
• النوع: نموذج تضمينات مفتوح؛
• الوسائط: النص، الشيفرة، الصور، الفيديو، الصوت؛
• بُعد الفضاء المشترك: 768؛
• الذاكرة على Pixel 11 Pro: نحو 191 ميغابايت للجزء النصي؛
• الذاكرة على Pixel 11 Pro: نحو 567 ميغابايت للنسخة متعددة الوسائط؛
• سيناريو الاستخدام: البحث في البيانات ومطابقتها على الجهاز، دون إرسالها إلى خادم.

ولا تتضمن الملخصات المتاحة مجموعة كاملة من اختبارات الأداء (Benchmarks)، ولا عدد المعاملات، ولا شروط الترخيص. ومن دون هذه المعلومات يبقى من المبكر مقارنة النموذج بمنافسيه. كما أن أرقام الذاكرة مقدَّمة لهاتف ذكي بعينه، وقد تختلف على عتاد آخر.

لماذا يهم التشغيل المحلي

أهم ما في هذا الإصدار هو المكان الذي يعمل فيه النموذج. فالتضمينات ضرورية للبحث والتوصيات ولتقنية RAG، أي في الحالات التي يصل فيها الذكاء الاصطناعي إلى بيانات شخصية: الصور وتسجيلات المحادثات والمراسلات ومقاطع الفيديو المنزلية. وعندما تجري عملية التحويل إلى متجهات على الجهاز، لا تغادر هذه الملفات الهاتف. وهذا يعالج جزءًا من مخاوف الخصوصية، ويزيل زمن استجابة الشبكة، ويتيح البحث دون اتصال بالإنترنت.

والفارق في الذاكرة لافت أيضًا. فالنسخة متعددة الوسائط أثقل من النصية بنحو ثلاثة أضعاف تقريبًا، لكن 567 ميغابايت لا تزال ضمن ميزانية الهواتف الذكية الحديثة. أما الفيديو والصوت فأكثر كلفة من حيث الحوسبة، إذ يتعين على المرمّز معالجة الإطارات والمخططات الطيفية (Spectrograms) بدل السلاسل النصية القصيرة.

ما الذي ينبغي التحقق منه قبل الاعتماد

يعد كاتب التحليل على Habr بعرض العقبات الخفية. وينبغي التحقق مسبقًا من عدة أمور:

• جودة البحث عبر الوسائط على بياناتكم أنتم، لا على اختبارات الأداء العامة وحدها: فالفضاء المشترك بحكم تعريفه حل وسط بين الوسائط؛
• سرعة فهرسة الفيديو والصوت على الأجهزة المستهدفة، لأنها ستكون عنق الزجاجة في المرور الأول على معرض الصور؛
• ترخيص الأوزان المفتوحة، إذا كان الاستخدام التجاري مخططًا له؛
• حجم مخزن المتجهات: فمع 768 بُعدًا سيتضخم فهرس مكتبة وسائط كبيرة بوضوح.

وبالنسبة إلى الفرق التي تبني بحثًا في البيانات الشخصية أو مساعدين يعملون دون اتصال، يبدو EmbeddingGemma 2 أساسًا صالحًا لبناء نموذج أولي. والأفضل البدء بالنسخة النصية البالغة 191 ميغابايت، ثم إضافة النسخة متعددة الوسائط عندما يتضح أن المنتج يحتاج إلى الفيديو والصوت.