Google EmbeddingGemma 2

Texto, código, imágenes, fotogramas de vídeo y audio caen en el mismo espacio de 768 dimensiones. Puedes consultar un archivo de audio con una frase escrita o localizar una captura a partir de la descripción de lo que mostraba. La comparación entre medios sale bien porque los vectores comparten sistema de coordenadas, no porque varios modelos se hayan pegado después. La mayoría de las configuraciones de modelo de embeddings multimodal codifica cada formato en su propio espacio y traduce entre ellos, y en esa frontera se pierde detalle.

El modelo completo suma 740 millones de parámetros: 270 millones para texto y código, 170 millones para visión y 300 millones para audio. Si distribuyes solo la ruta de texto, la descarga y el consumo de memoria bajan de golpe. Añadir visión o audio más tarde no invalida los vectores de texto ya calculados, porque el espacio no cambia.

Matryoshka Representation Learning coloca la información más útil al principio de cada vector. Puedes quedarte con las 768 dimensiones o recortar la salida a 512, 256 o 128, con un ahorro de almacenamiento local de hasta 6 veces. Menos dimensiones cuestan precisión en la recuperación, y la pérdida aparece antes en imagen y audio que en texto, así que prueba tus propias consultas antes de decidir.

La ventana de contexto cuadruplica la de la primera versión. En la práctica son unos 5,5 minutos de audio, 29 imágenes o 58 fotogramas de vídeo en una sola entrada, incluidas combinaciones intercaladas. Una presentación con narración se codifica como un único elemento en lugar de un montón de trozos sueltos.

Con cuantización, los pesos de solo texto ocupan unos 191 MB de RAM activa en un Pixel 11 Pro. El modelo multimodal completo ronda los 567 MB. Esa diferencia decide si una app llega a publicarse o se rechaza por consumo de memoria, sobre todo en Android de gama media.

En MTEB Code la puntuación pasó de 68,76 a 78,68, casi diez puntos más que la versión previa. El modelo sirve para indexar repositorios locales y para la recuperación que usan los agentes de programación, donde la consulta describe una intención y no el nombre de un símbolo. Google también reporta que supera a modelos especializados de más del doble de tamaño en tareas de imagen, vídeo, documentos y audio.

Las integraciones oficiales y de la comunidad cubren sentence-transformers, transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX, transformers.js y WebGPU. Qdrant publicó una guía para almacenar los vectores y Unsloth documenta el ajuste fino. No quedas atado a una sola pila de inferencia ni a un despliegue exclusivo de Google.

EmbeddingGemma 2 comparte tokenizador de texto y codificador de audio con Gemma 4. Ejecutar ambos en un mismo pipeline evita cargar componentes duplicados, y el consumo conjunto de memoria baja. La recuperación y la generación ocurren entonces en el mismo portátil o móvil, sin llamada de red.