EmbeddingGemma 2 开放统一文本、图像与音频嵌入

EmbeddingGemma 2 是基于 Gemma4 的开放多模态嵌入模型，约740M参数，由270M文本、170M视觉及300M音频模块组成。它将多种输入放到共同768维向量空间，支持 Matryoshka 截断到512、256、128维；768到128维是六倍缩减。上下文为8192词元，官方给出的输入示例包括约5.5分钟音频、29张图或58帧视频，具体组合须按处理器限制。权重已通过 Hugging Face 和 Kaggle 提供，许可Apache2.0；Model Garden为后续计划。共享文本分词器和音频编码器可减少与Gemma4组合部署的重复资源，但官方Pixel11 Pro量化内存数值不是整个应用的总内存。适合本地语义检索和跨模态匹配，仍需验证领域检索质量。