Google выпустила EmbeddingGemma 2: пять модальностей в 768-мерном пространстве

6 октября 2026 года Google DeepMind выпустила EmbeddingGemma 2, открытую модель эмбеддингов для текста, кода, изображений, видео и аудио. Все пять типов данных она проецирует в одно 768-мерное пространство. По данным Google, на Pixel 11 Pro текстовая часть занимает около 191 МБ оперативной памяти, а полная мультимодальная версия около 567 МБ. Это объём приложения среднего размера, а не серверной инфраструктуры.

Что умеет модель

Эмбеддинг превращает объект в вектор чисел, и близкие по смыслу объекты оказываются рядом. Раньше для разных данных обычно держали разные модели: одну для текстового поиска, другую для картинок, третью для аудио. Сравнивать их векторы между собой было нельзя, потому что у каждой своя система координат.

У EmbeddingGemma 2 система координат общая. Запрос «собака ловит фрисби в парке» даёт вектор, который лежит рядом с роликом на эту тему, с фотографией и с голосовой заметкой. Для разработчика это один индекс вместо трёх и один запрос вместо трёх.

Первая EmbeddingGemma вышла в сентябре 2025 года: текстовая модель примерно на 300 млн параметров, которая укладывалась в 200 МБ памяти после квантизации. Вторая версия сохранила размерность 768 и добавила остальные модальности. Для текстовой части бюджет по памяти остался в том же классе.

Ключевые параметры

По данным Google и разбору на Habr:

• выпуск: 6 октября 2026 года, разработчик Google DeepMind;
• тип: открытая модель эмбеддингов;
• модальности: текст, код, изображения, видео, аудио;
• размерность общего пространства: 768;
• память на Pixel 11 Pro: около 191 МБ для текстовой части;
• память на Pixel 11 Pro: около 567 МБ для мультимодальной версии;
• сценарий: поиск и сопоставление данных на устройстве, без отправки на сервер.

В доступном пересказе нет полного набора бенчмарков, числа параметров и условий лицензии. Без них сравнивать модель с конкурентами рано. Цифры по памяти приведены для конкретного смартфона, а на другом железе они могут отличаться.

Почему важен локальный запуск

Главное в релизе то, где модель работает. Эмбеддинги нужны для поиска, рекомендаций и RAG, то есть там, где ИИ обращается к личным данным: фотографиям, записям разговоров, переписке, домашнему видео. Когда векторизация идёт на устройстве, эти файлы не покидают телефон. Это снимает часть вопросов о приватности, убирает задержку сети и позволяет искать без интернета.

Разрыв в памяти тоже показателен. Мультимодальная версия почти втрое тяжелее текстовой, но 567 МБ всё ещё помещаются в бюджет современного смартфона. Видео и аудио дороже по вычислениям: кодировщику приходится обрабатывать кадры и спектрограммы, а не короткие строки.

Что проверить до внедрения

Автор разбора на Habr обещает показать подводные камни. Заранее стоит проверить несколько вещей:

• качество кросс-модального поиска на ваших данных, а не только на публичных бенчмарках: общее пространство по определению компромисс между модальностями;
• скорость индексации видео и аудио на целевых устройствах, потому что именно она станет узким местом при первом проходе по галерее;
• лицензию на открытые веса, если планируется коммерческое использование;
• размер хранилища векторов: при 768 измерениях индекс большой медиатеки заметно вырастет.

Для команд, которые строят поиск по личным данным или офлайн-ассистентов, EmbeddingGemma 2 выглядит рабочей основой для прототипа. Начать лучше с текстовой версии на 191 МБ и подключать мультимодальную, когда станет ясно, что видео и аудио нужны в продукте.