Google выпустила EmbeddingGemma 2 — модель для поиска по видео и звуку

Google выпустила EmbeddingGemma 2 — открытую модель на 740 млн параметров. Она переводит текст, код, картинки, звук и видео в векторы для поиска и работает прямо на смартфоне.

Почему это важно: первая EmbeddingGemma понимала только текст. Теперь одна небольшая модель ищет по фото, аудиозаписям и роликам на самом устройстве — без интернета и без отправки данных в облако.

Предыстория: первую EmbeddingGemma на 308 млн параметров Google выпустила в сентябре 2025 года. По данным компании, её скачали больше 20 млн раз. В августе 2026 года Google сообщила о миллиарде скачиваний всех открытых моделей Gemma.

Как это работает: модель превращает фразу, снимок или отрывок записи в набор чисел — векторное представление. Близкие по смыслу фрагменты получают близкие наборы, даже если один из них текст, а другой видео. Поэтому голосовой заметкой можно найти нужный кусок ролика, а текстовым запросом — место в многочасовой записи.

Детали: модель собрана из частей, и ставить можно не все:

• Для работы только с текстом хватает 270 млн параметров, модуль для картинок добавляет ещё 170 млн, модуль для звука — 300 млн.
• На смартфоне Pixel 11 Pro со сжатыми весами текстовая часть занимает около 191 МБ оперативной памяти, а вся модель — около 567 МБ.
• Векторы можно укоротить с 768 чисел до 512, 256 или 128, и тогда база для поиска займёт до шести раз меньше места.

В цифрах:

• Контекстное окно¹ выросло вчетверо, до 8 тыс. токенов²: за раз модель принимает до 5,5 минуты звука, 29 картинок или 58 кадров видео.
• В тесте на поиск по коду MTEB Code³ балл вырос с 68,76 до 78,68, а с текстом на разных языках модель справляется на уровне первой версии.

Общая картина: EmbeddingGemma 2 построена на Gemma 4 и берёт у неё модуль для звука и способ разбивать текст на части. Поэтому обе модели можно запускать на одном устройстве и тратить меньше памяти: EmbeddingGemma 2 находит нужные файлы, а Gemma 4 отвечает по ним.

Где взять: веса выложены на Hugging Face и Kaggle под лицензией Apache 2.0⁴, она разрешает коммерческое использование. Модель запускают распространённые программы для локальных моделей — Ollama, llama.cpp, vLLM, LM Studio, а в браузере — библиотека transformers.js.

Но: результаты тестов приводит сама Google. Лучшей компания называет EmbeddingGemma 2 только среди мультимодальных моделей для поиска размером до 1 млрд параметров — в таких тестах, как MTEB Code и MAEB, которые проверяют работу с кодом и звуком.

Что дальше: позже модель появится в каталоге Model Garden корпоративной платформы Gemini Enterprise Agent Platform. Дату Google не назвала.

Поиск по медиатеке и поиск нужного момента в видео Google предлагает попробовать в своём приложении Google AI Edge Gallery.