Google lance EmbeddingGemma 2 : cinq modalités dans un espace à 768 dimensions

Le 6 octobre 2026, Google DeepMind a publié EmbeddingGemma 2, un modèle d'embeddings ouvert pour le texte, le code, les images, la vidéo et l'audio. Il projette ces cinq types de données dans un seul espace à 768 dimensions. Selon Google, sur un Pixel 11 Pro, la partie texte occupe environ 191 Mo de mémoire vive, et la version multimodale complète environ 567 Mo. C'est l'empreinte d'une application de taille moyenne, pas celle d'une infrastructure serveur.

Ce que sait faire le modèle

Un embedding transforme un objet en vecteur de nombres, et les objets proches par le sens se retrouvent côte à côte. Jusqu'ici, on utilisait généralement un modèle différent pour chaque type de données : l'un pour la recherche textuelle, un autre pour les images, un troisième pour l'audio. Comparer leurs vecteurs entre eux était impossible, car chacun possède son propre système de coordonnées.

Avec EmbeddingGemma 2, le système de coordonnées est commun. La requête « un chien attrape un frisbee dans un parc » produit un vecteur proche de celui d'une vidéo sur ce thème, d'une photo et d'une note vocale. Pour le développeur, cela signifie un seul index au lieu de trois, et une seule requête au lieu de trois.

La première EmbeddingGemma est sortie en septembre 2025 : un modèle textuel d'environ 300 M de paramètres, qui tenait dans 200 Mo de mémoire après quantification. La deuxième version conserve la dimension 768 et ajoute les autres modalités. Pour la partie texte, le budget mémoire reste dans la même classe.

Paramètres clés

D'après Google et l'analyse publiée sur Habr :

• sortie : 6 octobre 2026, développeur Google DeepMind ;
• type : modèle d'embeddings ouvert ;
• modalités : texte, code, images, vidéo, audio ;
• dimension de l'espace commun : 768 ;
• mémoire sur Pixel 11 Pro : environ 191 Mo pour la partie texte ;
• mémoire sur Pixel 11 Pro : environ 567 Mo pour la version multimodale ;
• cas d'usage : recherche et mise en correspondance de données sur l'appareil, sans envoi vers un serveur.

Le résumé disponible ne contient ni l'ensemble des benchmarks, ni le nombre de paramètres, ni les conditions de licence. Sans ces éléments, il est trop tôt pour comparer le modèle à ses concurrents. Les chiffres de mémoire valent pour un smartphone précis ; sur un autre matériel, ils peuvent différer.

Pourquoi l'exécution locale compte

L'essentiel de cette sortie tient à l'endroit où le modèle tourne. Les embeddings servent à la recherche, aux recommandations et au RAG, c'est-à-dire partout où l'IA accède à des données personnelles : photos, enregistrements de conversations, messages, vidéos familiales. Lorsque la vectorisation s'effectue sur l'appareil, ces fichiers ne quittent pas le téléphone. Cela écarte une partie des questions de confidentialité, supprime la latence réseau et permet de chercher sans connexion internet.

L'écart de mémoire est lui aussi révélateur. La version multimodale est presque trois fois plus lourde que la version texte, mais 567 Mo tiennent encore dans le budget d'un smartphone récent. La vidéo et l'audio coûtent plus cher en calcul : l'encodeur doit traiter des images et des spectrogrammes, et non de courtes chaînes de texte.

Ce qu'il faut vérifier avant le déploiement

L'auteur de l'analyse sur Habr promet de détailler les pièges. Quelques points méritent d'être vérifiés en amont :

• la qualité de la recherche cross-modale sur vos propres données, et pas seulement sur les benchmarks publics : un espace commun est par nature un compromis entre les modalités ;
• la vitesse d'indexation de la vidéo et de l'audio sur les appareils cibles, car c'est elle qui deviendra le goulot d'étranglement lors du premier passage sur la galerie ;
• la licence des poids ouverts, si un usage commercial est prévu ;
• la taille du stockage des vecteurs : à 768 dimensions, l'index d'une grande médiathèque grossira nettement.

Pour les équipes qui conçoivent une recherche dans les données personnelles ou des assistants hors ligne, EmbeddingGemma 2 apparaît comme une base solide pour un prototype. Mieux vaut commencer par la version texte de 191 Mo, puis ajouter la version multimodale quand il devient clair que la vidéo et l'audio sont nécessaires dans le produit.