Google ensina o EmbeddingGemma 2 a entender texto, imagens, vídeo e áudio

Um modelo multimodal de bolso

Em 6 de outubro de 2026, a Google DeepMind lançou o EmbeddingGemma 2, um modelo aberto de embeddings que resolve um dos principais problemas do setor: antes, cada tipo de dado exigia seu próprio modelo, e os vetores gerados por modelos diferentes não eram comparáveis entre si. Não era possível colocar o vetor de um texto ao lado do vetor de uma imagem. O EmbeddingGemma 2 posiciona as cinco modalidades em um único espaço de 768 dimensões.

O modelo processa texto, código, imagens, vídeo e áudio. Essa abordagem abre novas possibilidades: buscar clipes de vídeo a partir de uma consulta de texto, encontrar imagens dentro de documentos ou usar uma consulta de voz para pesquisar em uma base de dados textual. No dispositivo, tudo isso funciona de forma compacta: no Pixel 11 Pro, a parte de texto ocupa cerca de 191 MB de memória RAM, e a versão multimodal completa gira em torno de 567 MB. Isso permite rodar esse tipo de busca diretamente no celular, sem enviar dados a um servidor.

A primeira versão do EmbeddingGemma foi lançada em setembro de 2025, suportava apenas o processamento de texto e, segundo o veículo japonês livedoor, acumulou mais de 20 milhões de downloads. O sucesso da primeira versão levou a Google a desenvolver um sucessor multimodal.

Arquitetura e especificações técnicas

O EmbeddingGemma 2 é construído sobre a arquitetura Gemma 4. O modelo contém 740 milhões de parâmetros, mas não se trata de uma estrutura monolítica: os componentes são distribuídos de forma modular — 270M de parâmetros para a parte de texto, 170M para processamento de imagens e 300M para áudio. Essa arquitetura oferece flexibilidade de implantação: é possível usar apenas o componente de texto ou montar a versão multimodal completa dependendo dos recursos disponíveis.

O modelo entende mais de 100 idiomas e apresenta melhorias em relação à primeira versão: o desempenho em tarefas de código cresceu cerca de 14%. A janela de contexto foi ampliada para 8192 tokens — quatro vezes maior do que na primeira versão —, permitindo processar sequências mais longas sem perder contexto.

Um destaque são os vetores Matryoshka: o modelo suporta várias dimensões de saída — 768, 512, 256 ou 128 —, permitindo escolher o equilíbrio ideal entre precisão e velocidade conforme a tarefa. A parte de texto é implementada como um transformer compacto com 4 cabeças KV, das quais 2 operam localmente e 1 globalmente, garantindo eficiência sem um aumento significativo da carga computacional.

Otimização para dispositivos móveis

O modelo é especificamente otimizado para rodar em smartphones e notebooks. Isso significa que busca semântica, busca aumentada por geração (RAG), clusterização de dados, detecção de duplicatas e sistemas de recomendação podem rodar inteiramente de forma local, sem enviar dados privados do usuário para servidores na nuvem. A Google disponibilizou o modelo de forma aberta, como um conjunto de pesos e código, permitindo que a comunidade o integre a diversos aplicativos e serviços.

Um embedding é um vetor, ou seja, uma lista de números que descrevem o significado de um conteúdo. Coisas com significados semelhantes recebem vetores próximos entre si; por exemplo, as frases "Hoje o tempo está maravilhoso" e "Está tão ensolarado lá fora!" ficariam próximas no espaço vetorial. A busca funciona de forma simples: calcula-se o vetor da consulta, calculam-se os vetores de todos os documentos e encontram-se os vizinhos mais próximos por similaridade de cosseno. É esse princípio que sustenta a busca semântica, o RAG (busca em documentos combinada com geração de respostas), a clusterização, a detecção de duplicatas e os sistemas de recomendações personalizadas.

A segunda versão do EmbeddingGemma resolve o problema da incompatibilidade entre representações vetoriais: todas as modalidades — texto, código, imagens, vídeo e áudio — são convertidas em um único espaço de 768 dimensões, permitindo comparar objetos de tipos diferentes dentro de uma mesma tarefa.