EmbeddingGemma 2

EmbeddingGemma 2 是 Google DeepMind 于 2026 年 10 月 6 日发布的多模态向量模型，基于 Gemma 4 架构，采用 Apache 2.0 许可证。它把文本、代码、图像、视频和音频映射到同一个 768 维空间，主要用于本地检索、RAG、分类和聚类。相较第一代，它的变化集中在代码检索和多模态输入，多语言文本综合成绩的提升较小。

完整模型为 740M 参数，纯文本只需加载 270M

根据官方模型卡，模型由 270M 文本模块、170M 视觉编码器和 300M 音频编码器组成，未使用的编码器可以不加载。统一上下文为 8,192 token；文本和其他模态共享预算。默认每张图像占 280 token，每帧视频占 140 token，音频每秒占 25 token，因此约 29 张图像、58 帧视频或 327 秒音频的上限只适用于单一模态、没有附加文本的输入。输出是向量，不是生成式文本。

代码检索进步明显，多语言文本成绩接近第一代

官方模型卡的全精度、768 维测试中，MTEB code v1 的 Mean(Task)、NDCG@10 从第一代 68.76 提高到 78.68，相差 9.92 分，相对提高约 14.43%；MTEB multilingual v2 的 Mean(Task) 则从 61.15 提高到 61.36，仅相差 0.21 分。第二代在 MMEB v2 Image 的 Mean(Task)、Hit@1 为 57.28，VisDoc 的 Mean(Task)、NDCG@5 为 67.84，Video 的 Mean(Task)、Hit@1 为 50.67。这些是不同测试和指标，不能直接横向比较，也不能混入没有版本说明的通用 MTEB 分数。

缩短向量节省存储，但多模态任务损失更大

模型支持 512、256 和 128 维截断，截断后需重新归一化。同等数值精度下，128 维的向量存储量是 768 维的六分之一；但官方表格中 MMEB v2 Overall 从 59.01 降至 45.65，相差 13.36 分，多语言 MTEB v2 则从 61.36 降至 57.89，相差 3.47 分。官方因此将 128 维主要推荐给纯文本任务。100+ 语种是支持范围，不代表各语言效果相同；模型卡还指出，省略任务前缀会降低文本嵌入质量。

适合离线多模态检索，部署成本仍需按配置计算

发布博客报告，在 Pixel 11 Pro 上量化运行时，纯文本权重最低约需 191MB 活跃内存，完整多模态模型约需 567MB。这是指定设备和量化条件下的结果，并非全精度模型文件大小。需要在本地统一检索多种媒体时，可优先考虑第二代；已有纯文本索引且第一代质量足够时，继续使用 EmbeddingGemma 300M 可以避免重建索引。权重允许商用，但自行部署仍有计算和存储成本，官方发布资料未给出该模型的托管 API 价格。