Google EmbeddingGemma 2

Texto, código, imagens, quadros de vídeo e áudio caem no mesmo espaço de 768 dimensões. Dá para consultar um arquivo de áudio com uma frase escrita ou achar uma captura de tela a partir da descrição do que ela mostrava. A comparação entre mídias funciona porque os vetores compartilham o sistema de coordenadas, e não porque vários modelos foram colados depois. A maioria dos arranjos de modelo de embeddings multimodal codifica cada formato no próprio espaço e traduz entre eles, e nessa fronteira some detalhe.

O modelo completo tem 740 milhões de parâmetros: 270 milhões para texto e código, 170 milhões para visão e 300 milhões para áudio. Distribuir só o caminho de texto derruba o download e o consumo de memória. Acrescentar visão ou áudio depois não invalida os vetores de texto já calculados, porque o espaço continua o mesmo.

O Matryoshka Representation Learning coloca a informação mais útil na frente de cada vetor. Você pode manter as 768 dimensões ou cortar a saída para 512, 256 ou 128, com economia de armazenamento local de até 6 vezes. Menos dimensões custam precisão na recuperação, e a perda aparece antes em imagem e áudio do que em texto. Teste suas próprias consultas antes de fixar um valor.

A janela de contexto é quatro vezes maior que a da primeira versão. Na prática, são cerca de 5,5 minutos de áudio, 29 imagens ou 58 quadros de vídeo em uma entrada só, incluindo combinações intercaladas. Uma apresentação com narração vira um item único em vez de uma pilha de pedaços separados.

Com quantização, os pesos de texto ocupam cerca de 191 MB de RAM ativa em um Pixel 11 Pro. O modelo multimodal completo chega a aproximadamente 567 MB. Essa diferença decide se um app chega à loja ou é barrado por consumo de memória, principalmente em Android intermediário.

No MTEB Code a nota foi de 68,76 para 78,68, quase dez pontos acima da versão anterior. O modelo serve para indexar bases locais e para a recuperação que agentes de programação usam, quando a consulta descreve uma intenção em vez de citar um símbolo. O Google também informa que ele supera modelos especializados com mais do dobro do tamanho em tarefas de imagem, vídeo, documento e áudio.

As integrações oficiais e da comunidade cobrem sentence-transformers, transformers, vLLM, SGLang, llama.cpp, Ollama, LM Studio, MLX, transformers.js e WebGPU. O Qdrant publicou um guia para armazenar os vetores e a Unsloth documenta o ajuste fino. Você não fica preso a uma pilha de inferência nem a um caminho de deploy exclusivo do Google.

O EmbeddingGemma 2 compartilha o tokenizador de texto e o codificador de áudio com o Gemma 4. Rodar os dois no mesmo pipeline evita carregar componentes duplicados e reduz o consumo somado de memória. A recuperação e a geração acontecem no mesmo notebook ou celular, sem chamada de rede.