谷歌开源轻量级多模态嵌入模型正式发布

谷歌 DeepMind 于 2026 年 10 月发布 EmbeddingGemma 2，将嵌入能力从纯文本扩展至真正的多模态领域。该模型拥有 7.4 亿参数，基于 Gemma 4 架构，采用与 Gemini Embedding 系列相同的底层技术，并以 Apache 2.0 许可证开放，允许商业使用。其前身 EmbeddingGemma 1 自发布以来已累计超过 2000 万次下载，广泛应用于端侧搜索和隐私优先的检索增强生成（RAG）场景。

EmbeddingGemma 2 的核心突破在于原生多模态能力。模型可将文本、代码、图像、音频和视频统一映射至同一嵌入空间，支持跨模态语义检索，例如用语音备忘录查找特定视频片段，或通过文字描述在数小时录音中定位目标内容。这一能力由单一模型完成，无需多模型串联，显著降低了系统复杂度与延迟。

在架构设计上，EmbeddingGemma 2 采用模块化方案：纯文本任务仅需 2.7 亿参数的核心模块，视觉编码器（1.7 亿参数）和音频编码器（3 亿参数）可按需加载。借助 Matryoshka 表示学习（MRL）技术，开发者可将输出向量从 768 维动态截断至 512、256 或 128 维，本地向量数据库存储量最高可减少 6 倍，大幅降低边缘设备的存储压力。

性能基准方面，EmbeddingGemma 2 在 10 亿参数以下的多模态嵌入模型中达到领先水平。代码嵌入能力在 MTEB Code 基准上从 68.76 提升至 78.68，涨幅近 10 分，适合本地代码库索引和语义代码搜索。在图像、视频、文档和音频任务上，其单位参数质量超越多个规模超过自身两倍的专项模型，同时保持与 EmbeddingGemma 1 相当的多语言文本性能。

端侧部署方面，EmbeddingGemma 2 与 Gemma 4 共享文本分词器和音频编码器，两者可在统一推理管线中协同运行，合并内存占用低于分别加载。谷歌已在 AI Edge Gallery 中集成即时媒体搜索和视频片段定位两项演示应用，并通过 MediaPipe Decision Task API 支持实时多模态分类与路由决策。模型支持 transformers、sentence-transformers、vLLM、Ollama 等主流推理框架，向量存储可对接 Qdrant。

开发者可在 Hugging Face 和 Kaggle 获取模型权重，面向端侧优化的 LiteRT 版本同步上线。Unsloth 已提供微调指南，支持针对特定业务场景的定制训练。谷歌表示，Gemini Enterprise Agent Platform Model Garden 的接入支持也将于近期推出，进一步降低企业级集成门槛。

要点

• EmbeddingGemma 2 以 7.4 亿参数原生统一文本、代码、图像、音频和视频的嵌入空间，是目前 10 亿参数以下多模态嵌入模型的最强开源选项之一
• 模块化架构与 MRL 向量压缩技术使其在 Pixel 11 Pro 上仅需约 191MB 内存（纯文本模式），存储可节省最高 6 倍，真正适配消费级端侧硬件
• 代码嵌入能力在 MTEB Code 基准上提升近 10 分，8K token 上下文窗口较上一代扩大 4 倍，显著增强长内容处理能力
• 与 Gemma 4 共享编码器组件，两者可在统一管线中低内存协同运行，为端侧 RAG 应用提供完整的生成与检索闭环
• 采用 Apache 2.0 许可证，支持 Hugging Face、Ollama、vLLM 等主流生态，可直接集成至现有开发工作流