Google enseña a EmbeddingGemma 2 a entender texto, imágenes, vídeo y audio

Un modelo multimodal de bolsillo

El 6 de octubre de 2026, Google DeepMind lanzó EmbeddingGemma 2, un modelo abierto de embeddings que resuelve uno de los grandes problemas del sector: hasta ahora, cada tipo de dato requería su propio modelo, y los vectores generados por modelos distintos no eran comparables entre sí. No se podía situar el vector de un texto junto al de una imagen. EmbeddingGemma 2 coloca las cinco modalidades en un único espacio de 768 dimensiones.

El modelo procesa texto, código, imágenes, vídeo y audio. Este enfoque abre nuevas posibilidades: buscar clips de vídeo a partir de una consulta de texto, encontrar imágenes dentro de documentos o usar una consulta de voz para buscar en una base de datos textual. En el dispositivo, todo esto funciona de forma compacta: en un Pixel 11 Pro, la parte de texto ocupa cerca de 191 MB de memoria RAM, y la versión multimodal completa ronda los 567 MB. Esto permite ejecutar este tipo de búsqueda directamente en el teléfono, sin enviar datos a un servidor.

La primera versión de EmbeddingGemma se lanzó en septiembre de 2025, solo permitía el procesamiento de texto y, según el medio japonés livedoor, acumuló más de 20 millones de descargas. El éxito de la primera versión impulsó a Google a desarrollar un sucesor multimodal.

Arquitectura y especificaciones técnicas

EmbeddingGemma 2 está construida sobre la arquitectura Gemma 4. El modelo contiene 740 millones de parámetros, pero no se trata de una estructura monolítica: los componentes están distribuidos de forma modular —270M de parámetros para la parte de texto, 170M para el procesamiento de imágenes y 300M para el audio—. Esta arquitectura ofrece flexibilidad de despliegue: es posible usar solo el componente de texto o ensamblar la versión multimodal completa según los recursos disponibles.

El modelo entiende más de 100 idiomas y muestra mejoras respecto a la primera versión: el rendimiento en tareas de código ha crecido aproximadamente un 14%. La ventana de contexto se ha ampliado a 8192 tokens, cuatro veces más que en la primera versión, lo que permite procesar secuencias más largas sin perder contexto.

Una característica destacada son los vectores Matryoshka: el modelo admite varias dimensiones de salida —768, 512, 256 o 128—, lo que permite elegir el equilibrio óptimo entre precisión y velocidad según la tarea. La parte de texto está implementada como un transformer compacto con 4 cabezas KV, de las cuales 2 operan de forma local y 1 de forma global, lo que garantiza eficiencia sin un aumento significativo de la carga computacional.

Optimización para dispositivos móviles

El modelo está especialmente optimizado para funcionar en smartphones y portátiles. Esto significa que la búsqueda semántica, la búsqueda aumentada por generación (RAG), la agrupación de datos (clustering), la detección de duplicados y los sistemas de recomendación pueden ejecutarse por completo de forma local, sin enviar los datos privados del usuario a servidores en la nube. Google ha publicado este modelo de forma abierta, como un conjunto de pesos y código, lo que permite a la comunidad integrarlo en distintas aplicaciones y servicios.

Un embedding es un vector, es decir, una lista de números que describen el significado de un contenido. Las cosas con un significado similar obtienen vectores cercanos entre sí; por ejemplo, las frases «Hoy hace un tiempo maravilloso» y «¡Fuera hace tanto sol!» acabarían próximas en el espacio vectorial. La búsqueda funciona de forma sencilla: se calcula el vector de la consulta, se calculan los vectores de todos los documentos y se buscan los vecinos más cercanos mediante similitud de coseno. Sobre este principio funcionan la búsqueda semántica, el RAG (búsqueda en documentos combinada con generación de respuestas), la agrupación, la detección de duplicados y los sistemas de recomendaciones personalizadas.

La segunda versión de EmbeddingGemma resuelve el problema de la incompatibilidad entre representaciones vectoriales: todas las modalidades —texto, código, imágenes, vídeo y audio— se convierten en un único espacio de 768 dimensiones, lo que permite comparar objetos de distinto tipo dentro de una misma tarea.