Google lanza EmbeddingGemma 2: cinco modalidades en un espacio de 768 dimensiones

El 6 de octubre de 2026, Google DeepMind lanzó EmbeddingGemma 2, un modelo de embeddings abierto para texto, código, imágenes, vídeo y audio. Proyecta los cinco tipos de datos en un único espacio de 768 dimensiones. Según Google, en el Pixel 11 Pro la parte de texto ocupa unos 191 MB de memoria RAM y la versión multimodal completa, unos 567 MB. Es el tamaño de una aplicación de tamaño medio, no de una infraestructura de servidor.

Qué sabe hacer el modelo

Un embedding convierte un objeto en un vector de números, y los objetos de significado similar quedan cerca unos de otros. Hasta ahora, para cada tipo de datos solía usarse un modelo distinto: uno para la búsqueda de texto, otro para imágenes y un tercero para audio. Sus vectores no se podían comparar entre sí, porque cada modelo tiene su propio sistema de coordenadas.

EmbeddingGemma 2 usa un sistema de coordenadas común. La consulta «un perro atrapa un frisbi en el parque» genera un vector que queda cerca de un vídeo sobre ese tema, de una fotografía y de una nota de voz. Para el desarrollador, eso supone un índice en lugar de tres y una consulta en lugar de tres.

La primera EmbeddingGemma salió en septiembre de 2025: era un modelo de texto de unos 300 millones de parámetros que, tras la cuantización, cabía en 200 MB de memoria. La segunda versión mantiene la dimensión 768 y añade el resto de modalidades. En la parte de texto, el consumo de memoria sigue en la misma categoría.

Parámetros clave

Según Google y el análisis publicado en Habr:

• lanzamiento: 6 de octubre de 2026, desarrollado por Google DeepMind;
• tipo: modelo de embeddings abierto;
• modalidades: texto, código, imágenes, vídeo, audio;
• dimensión del espacio común: 768;
• memoria en el Pixel 11 Pro: unos 191 MB para la parte de texto;
• memoria en el Pixel 11 Pro: unos 567 MB para la versión multimodal;
• caso de uso: búsqueda y correspondencia de datos en el dispositivo, sin enviarlos a un servidor.

El resumen disponible no incluye el conjunto completo de benchmarks, el número de parámetros ni las condiciones de la licencia. Sin ellos, aún es pronto para comparar el modelo con sus competidores. Las cifras de memoria corresponden a un smartphone concreto y pueden variar en otro hardware.

Por qué importa la ejecución local

Lo principal de este lanzamiento es dónde funciona el modelo. Los embeddings se usan para búsqueda, recomendaciones y RAG, es decir, allí donde la IA accede a datos personales: fotografías, grabaciones de conversaciones, mensajes, vídeos domésticos. Cuando la vectorización se hace en el dispositivo, esos archivos no salen del teléfono. Eso resuelve parte de las dudas sobre privacidad, elimina la latencia de red y permite buscar sin conexión a internet.

La diferencia de memoria también resulta reveladora. La versión multimodal pesa casi el triple que la de texto, pero 567 MB siguen cabiendo en el presupuesto de un smartphone actual. El vídeo y el audio son más costosos de procesar: el codificador tiene que trabajar con fotogramas y espectrogramas, no con cadenas cortas de texto.

Qué comprobar antes de implantarlo

El autor del análisis en Habr promete mostrar las dificultades ocultas. Conviene verificar de antemano varios puntos:

• la calidad de la búsqueda multimodal con tus propios datos, y no solo en benchmarks públicos: por definición, un espacio común es un compromiso entre modalidades;
• la velocidad de indexación de vídeo y audio en los dispositivos de destino, porque será el cuello de botella en la primera pasada por la galería;
• la licencia de los pesos abiertos, si se prevé un uso comercial;
• el tamaño del almacenamiento de vectores: con 768 dimensiones, el índice de una mediateca grande crecerá de forma notable.

Para los equipos que desarrollan búsqueda sobre datos personales o asistentes sin conexión, EmbeddingGemma 2 parece una base viable para un prototipo. Lo mejor es empezar con la versión de texto de 191 MB e incorporar la multimodal cuando quede claro que el producto necesita vídeo y audio.