Google lança o EmbeddingGemma 2: cinco modalidades em um espaço de 768 dimensões

Em 6 de outubro de 2026, o Google DeepMind lançou o EmbeddingGemma 2, um modelo aberto de embeddings para texto, código, imagens, vídeo e áudio. Ele projeta os cinco tipos de dados em um único espaço de 768 dimensões. Segundo o Google, no Pixel 11 Pro a parte de texto ocupa cerca de 191 MB de memória RAM, e a versão multimodal completa, cerca de 567 MB. É o tamanho de um aplicativo de porte médio, e não de uma infraestrutura de servidor.

O que o modelo faz

Um embedding transforma um objeto em um vetor de números, e objetos com significado parecido ficam próximos uns dos outros. Até agora, era comum manter modelos diferentes para cada tipo de dado: um para busca em texto, outro para imagens, um terceiro para áudio. Não era possível comparar os vetores entre si, porque cada modelo tem o próprio sistema de coordenadas.

No EmbeddingGemma 2, o sistema de coordenadas é comum. A consulta "cachorro pega frisbee no parque" gera um vetor que fica próximo de um vídeo sobre o tema, de uma foto e de uma nota de voz. Para o desenvolvedor, isso significa um índice em vez de três e uma consulta em vez de três.

O primeiro EmbeddingGemma saiu em setembro de 2025: era um modelo de texto com cerca de 300 milhões de parâmetros, que cabia em 200 MB de memória após a quantização. A segunda versão manteve a dimensionalidade de 768 e adicionou as demais modalidades. Para a parte de texto, o orçamento de memória continuou na mesma faixa.

Principais parâmetros

Segundo o Google e a análise publicada no Habr:

• lançamento: 6 de outubro de 2026, desenvolvido pelo Google DeepMind;
• tipo: modelo aberto de embeddings;
• modalidades: texto, código, imagens, vídeo, áudio;
• dimensionalidade do espaço comum: 768;
• memória no Pixel 11 Pro: cerca de 191 MB para a parte de texto;
• memória no Pixel 11 Pro: cerca de 567 MB para a versão multimodal;
• cenário de uso: busca e correspondência de dados no dispositivo, sem envio a um servidor.

O resumo disponível não traz o conjunto completo de benchmarks, o número de parâmetros nem os termos da licença. Sem esses dados, ainda é cedo para comparar o modelo com os concorrentes. Os números de memória valem para um smartphone específico e podem ser diferentes em outro hardware.

Por que a execução local importa

O ponto central do lançamento é onde o modelo roda. Embeddings são usados em busca, recomendações e RAG, ou seja, em situações em que a IA acessa dados pessoais: fotos, gravações de conversas, mensagens, vídeos caseiros. Quando a vetorização acontece no dispositivo, esses arquivos não saem do celular. Isso resolve parte das dúvidas sobre privacidade, elimina a latência de rede e permite buscar sem internet.

A diferença de memória também é reveladora. A versão multimodal é quase três vezes mais pesada que a de texto, mas 567 MB ainda cabem no orçamento de um smartphone atual. Vídeo e áudio custam mais em computação: o codificador precisa processar quadros e espectrogramas, e não strings curtas.

O que verificar antes de adotar

O autor da análise no Habr promete mostrar as armadilhas. Vale checar alguns pontos de antemão:

• a qualidade da busca cross-modal nos seus próprios dados, e não apenas em benchmarks públicos: um espaço comum é, por definição, um compromisso entre as modalidades;
• a velocidade de indexação de vídeo e áudio nos dispositivos-alvo, porque ela será o gargalo na primeira varredura da galeria;
• a licença dos pesos abertos, caso haja plano de uso comercial;
• o tamanho do armazenamento de vetores: com 768 dimensões, o índice de uma grande mediateca crescerá de forma considerável.

Para equipes que desenvolvem busca em dados pessoais ou assistentes offline, o EmbeddingGemma 2 parece uma base viável para um protótipo. O melhor caminho é começar pela versão de texto, de 191 MB, e incluir a multimodal quando ficar claro que vídeo e áudio são necessários no produto.