Google DeepMind 发布了 EmbeddingGemma 2，这是一个开源的多模态嵌入模型，可将文本、代码、图像、视频和音频映射到统一的 768 维向量空间中。该模型共有 7.4 亿个参数，由一个 2.7 亿参数的文本编码器与模块化的视觉（1.7 亿）和音频（3 亿）编码器组合而成。

  • 旨在在消费级硬件（如移动设备和笔记本电脑）上运行，以实现低延迟的语义表示。
  • 支持设备端应用，包括搜索、检索增强生成 (RAG)、分类和聚类。
  • 可通过 Hugging Face 作为开源模型获取。