Google 6. října 2026 vydal EmbeddingGemma 2, model pro tvorbu embeddingů, který vedle textu propojuje také kód, obrázky, video a zvuk. Jednotlivé typy obsahu převádí do společného vektorového prostoru: videoklip tak lze hledat pomocí hlasové poznámky a v audiozáznamech vyhledávat textovým dotazem.
Vyhledávání v médiích a hledání okamžiků ve videu
Hlavní změnou je možnost vyhledávat napříč různými druhy obsahu přímo na zařízení. Podle Googlu může lokální tvorba embeddingů umožnit takové vyhledávání zcela offline, pomáhá chránit soukromí dat a snižuje latenci zpracování.
Dvě podoby tohoto vyhledávání si lze vyzkoušet v Google AI Edge Gallery. Funkce Instant Media Search přijímá text nebo obrázek a v knihovně médií hledá položky podle sémantické podobnosti. Video Moments Finder se zaměřuje na konkrétní okamžiky ve videu, které uživatel hledá textovým nebo zvukovým dotazem.
Modulární model a menší výstupní vektory
EmbeddingGemma 2 vychází z architektury Gemma 4 a v plné podobě má 740 milionů parametrů. Google jej vydal pod licencí Apache 2.0, která umožňuje komerční využití. Podle firmy je konstrukce modulární: pro čistě textové úlohy stačí 270 milionů parametrů, volitelný obrazový enkodér přidává 170 milionů a zvukový enkodér dalších 300 milionů.
Vývojáři mohou podle Googlu upravovat také velikost výstupních vektorů. Metoda Matryoshka Representation Learning umožňuje zkrátit původních 768 dimenzí na 512, 256 nebo 128. Firma u této možnosti uvádí až šestinásobné snížení nároků lokální vektorové databáze na úložiště a paměť.
Paměťové nároky Google uvádí pro kvantizovaný model na telefonu Google Pixel 11 Pro. Váhy textové varianty tam podle firmy vyžadují přibližně 191 MB aktivní RAM, zatímco u celého multimodálního modelu uvádí přibližně 567 MB.
Kontextové okno podle Googlu dosahuje 8K tokenů, což je čtyřikrát více než u EmbeddingGemma 1. Na lokálním zařízení může model zpracovat až 5,5 minuty zvuku, 29 obrázků nebo 58 videosnímků. Podporuje také vstupy, v nichž se různé typy obsahu střídají.
Vyšší skóre při práci s kódem
Ve srovnání s předchůdcem Google uvádí zachování vícejazyčného textového výkonu a zlepšení v benchmarku MTEB Code. Původní EmbeddingGemma v něm dosáhla skóre 68,76, zatímco EmbeddingGemma 2 získala 78,68. Firma tento výsledek popisuje jako posun o 9,92 bodu.
Google zlepšení spojuje s využitím modelu při lokálním indexování zdrojového kódu a jeho sémantickém vyhledávání. Dalším uváděným použitím je vyhledávání podkladů, se kterými následně pracují programovací agenti.
Spolupráce s Gemma 4 a rozhodování nad multimodálním kontextem
Podle Googlu lze EmbeddingGemma 2 spojit s generativním modelem Gemma 4 v lokálním multimodálním RAG. Embeddingový model v takovém zapojení zajišťuje vyhledávání podkladů pro generativní část. Oba modely sdílejí textový tokenizér a zvukový enkodér, což má při společném nasazení snížit jejich celkové paměťové nároky.
Tuto kombinaci nabízí k vyzkoušení aplikace Google AI Edge Foresight. EmbeddingGemma 2 v ní slouží k lokálnímu vyhledávání souborů a Gemma 4 ke kontextovému uvažování.
Vedle vyhledávání Google uvádí i možnost vytvářet systémy pro rozhodování v reálném čase prostřednictvím MediaPipe Decision Task API. Multimodální kontext má v tomto případě sloužit ke klasifikaci, směrování a prediktivním funkcím.
Kde model stáhnout a jak jej nasadit
Váhy EmbeddingGemma 2 jsou dostupné na Hugging Face a Kaggle. Varianty optimalizované pro běh na zařízení lze získat na Hugging Face v LiteRT Community. Zpřístupnění v Gemini Enterprise Agent Platform Model Garden Google teprve plánuje.
Pro integraci do aplikací nabízí Google dvě cesty: MediaPipe obsahuje připravené úlohy pro embeddingy, vyhledávání a rozhodování, zatímco LiteRT slouží k vlastní integraci modelu. Pro nasazení v prohlížeči firma uvádí transformers.js nebo WebGPU.
Podpora provozu modelu zahrnuje nástroje transformers a sentence-transformers, ale také MLX, vLLM a llama.cpp. Dalšími podporovanými možnostmi jsou SGLang, Ollama a LMStudio. Pro ukládání embeddingových vektorů Google zmiňuje Qdrant; vývojáře, kteří chtějí model doladit pro vlastní použití, odkazuje na postupy od Unsloth.
