EmbeddingGemma 2: an open, lightweight multimodal embedding model
Aggiunta all'archivio di AIChronos il (numero del 6 ottobre 2026 ricostruito)· fonte del · Google DeepMind
EmbeddingGemma 2 è un modello open source multimodale leggero basato sull'architettura Gemma 4 e rilasciato con licenza Apache 2.0, progettato per mappare nativamente testo, codice, immagini, audio e video in uno spazio embedding condiviso. Il modello offre prestazioni best-in-class nella sua categoria (sotto i 1 miliardo di parametri) su benchmark come MTEB Code e MAEB, superando molti modelli più grandi nelle task di visione e audio. Grazie all'apprendimento delle rappresentazioni Matryoshka (MRL), permette una riduzione dello storage fino al 6x tramite il troncamento dinamico dei vettori output. Ottimizzato per l'inference on-device con quantizzazione, richiede solo ~191MB di RAM attiva su Google Pixel 11 Pro per i pesi del testo e circa ~570MB per la versione multimodale completa.
- Supporto nativo multimodale unificato che integra codice, immagini, video e audio in uno spazio embedding condiviso senza bisogno di modelli separati.
- Prestazioni superiori nella generazione embeddings su codice (miglioramento del +9.92 punti su MTEB Code) rispetto a EmbeddingGemma 1, rendendolo ideale per l'indexazione locale dei codebase.
- Efficienza estrema on-device con finestra di contesto da 8K token e consumo ridotto della memoria grazie alla quantizzazione e all'architettura Gemma 4.
- Flessibilità modulare che permette configurazioni a partire da soli 270M parametri per task testuali, aggiungendo encoder opzionali per visione o audio.
- Compatibilità con l'ecosistema di sviluppo open source tramite librerie come transformers.js, WebGPU e LiteRT per deployment su browser e edge hardware.
Perché conta. È rilevante perché consente agli sviluppatori di costruire pipeline RAG (Retrieval Augmented Generation) completamente locali che garantiscono la privacy dei dati riducendo la latenza del network. La capacità unificata riduce l'overhead computazionale rispetto all'utilizzo di modelli specialistici separati, abilitando agenti AI e motori di ricerca semantico per codice/media direttamente su dispositivi consumer.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.