谷歌 DeepMind 发布开源多模态嵌入模型 EmbeddingGemma 2，采用 Apache 2.0 许可，模型卡已上线 Hugging Face。该模型总参数 7.4 亿，由 2.7 亿参数的文本骨干（其中 1.3 亿为 transformer、1.4 亿为 embedder）与可选择性加载的视觉编码器（1.7 亿）、音频编码器（3 亿）组合而成，目标是把文本（含代码）、图像、视频和音频——以及它们的组合——映射到同一个 768 维向量空间。
与只处理文本的嵌入模型不同，EmbeddingGemma 2 强调原生多模态：四种模态共享一个嵌入空间，开发者可按需只加载所需模态的编码器，从而控制内存与算力占用。模型设计面向手机、笔记本等消费级硬件，主打低延迟的端侧语义表示，适用场景包括搜索、检索增强生成（RAG）、分类和聚类。
在语言与代码能力上，模型支持 100 多种语言，代码任务较前代 EmbeddingGemma 1 提升约 14%。架构层面，模型共 24 层，模型维度 512、隐藏维度 2048，滑动窗口 1024 token，词表大小 262,144，采用分组查询注意力（GQA/MQA），局部与全局注意力比例 5:1，激活函数为 GELU 门控 FFN，池化方式为均值池化，并通过投影层把 512 维映射到 768 维。上下文窗口为 8,192 token，可处理数分钟的音频或视频。
模型原生支持 Matryoshka 表示学习（MRL），可将嵌入截断到 128、256、512 和 768 维并重新归一化。官方数据显示，截断到 256 维时质量损失很小，而存储成本可降至原来的三分之一；截断到 128 维时压缩比达 6 倍，更适合纯文本任务。这一特性对向量数据库的存储与检索成本有直接影响。
基准测试方面，EmbeddingGemma 2 在文本、代码、视觉、视觉文档、视频和音频嵌入任务上均有覆盖。在 768 维全精度下，多语言 MTEB v2 均值为 61.36（前代 61.15），代码 MTEB v1 为 78.68（前代 68.76）；图像 MIEB lite 为 64.64，MMEB v2 图像 Hit@1 为 57.28，视觉文档 NDCG@5 为 67.84，视频 Hit@1 为 50.67；音频 MSEB 检索 MRR@10 为 69.54，MAEB 为 49.39。截断到 512 维时多数指标仅有小幅下降，256 维时仍保持较高水平。
使用方式上，模型可通过 sentence-transformers 与 transformers 库调用，示例代码展示了查询与文档分别编码后计算相似度。官方建议使用任务指令前缀：检索等非对称任务对查询和文档使用不同前缀，分类、相似度等对称任务对所有输入使用相同前缀；前缀仅适用于文本，图像、视频和音频不加前缀。带标题的文档建议格式化为 title: {title} | text: {content}，无标题时使用 title: none。
从产业视角看，EmbeddingGemma 2 的发布延续了开源嵌入模型向多模态、端侧化演进的趋势。对 AI 应用开发者而言，一个可在消费级设备本地运行、支持四种模态且存储可压缩的嵌入模型，可能降低 RAG 与多模态检索系统的部署门槛；对向量数据库与边缘推理生态来说，MRL 截断带来的存储节省与端侧低延迟特性，则可能影响相关基础设施的选型逻辑。模型以 Apache 2.0 许可开放，也意味着商业使用限制较少，有望被更多下游产品集成。