夜晚失焦的彩色光斑，疏密不一地散在暗底上

上一代有 2000 万次下载，这一代换了赛道

10 月 6 日，Google DeepMind 发布 EmbeddingGemma 2。先说背景：初代 EmbeddingGemma 主打一个轻量、高质量、能跑在消费级硬件上的文本嵌入模型，下载量超过 2000 万次，常见用途是端侧搜索和隐私优先的 RAG。第二代的关键变化是从文本扩展到代码、图像、视频、音频，统一映射进同一个向量空间——用一句文字去翻一段语音备忘，或者用文字在几小时录音里定位片段，靠的是同一个模型。许可为 Apache 2.0（可商用），参数量 740M。

模块化设计，让「用多少装多少」成为可能

这个数字背后有讲究：纯文本任务最低只要 270M 参数，视觉编码器 170M、音频编码器 300M 是按需加载的。输出向量用 Matryoshka 表示学习（MRL）动态截断，可以从 768 维压到 512、256 甚至 128 维，官方称本地向量库的存储和内存最多能省到六分之一。资源占用给了参考值：量化后跑在 Google Pixel 11 Pro 上，纯文本权重约占 191MB 内存，全多模态约 567MB。上下文窗口 8K token，是初代的 4 倍，可以一次性吃下约 5.5 分钟音频、29 张图片或 58 帧视频，也支持图文音交错输入。

能力提升最明显的其实是代码

在 MTEB 的代码子集上，成绩从初代的 68.76 提升到 78.68，涨了 9.92 分，官方据此推荐它用于本地代码库索引、语义代码搜索和编码智能体的检索环节。音频侧有 MAEB 对标，图像侧有 MAEB lite，官方口径是在 10 亿参数以下这个量级里质量与参数的比值领先，并能超过部分参数量两倍以上的专用模型。完整的评测指标和模型信息在 EmbeddingGemma 2 的 model card 里公开。

接地气的是「能怎么落地」写得很细

权重放在 Hugging Face 和 Kaggle 上，可以在 transformers、sentence-transformers、vLLM、SGLang、Ollama、llama.cpp（已有 GGUF）、MLX、LM Studio 里直接跑，浏览器里可以走 transformers.js 或 WebGPU，向量可以存进 Qdrant，微调参考 Unsloth 的文档。它还和 Gemma 4 共用文本分词器与音频编码器，两个模型串成一条端侧 RAG 管线时的总内存更省。官方演示的场景都是很实用的：用文字或图片在本地媒体库里找相似内容、用一句描述定位视频里的某个瞬间、本地文件检索再交给 Gemma 4 做推理。

对做企业数字化、小团队的实际启发

第一，「端侧做检索、云端做推理」这条分工线现在有了便宜可靠的零件。客户资料、合同扫描件、监控录像这类不方便上传的素材，可以先用本地嵌入模型建索引、把检索做在本地，只把命中的片段送出去做理解。第二，MRL 截断这件事值得记住：向量维度不是越大越好，128 维能撑住的场景就别用 768 维，省下的存储和内存是实打实的成本。第三，多模态统一空间最容易被低估的用途是跨类型检索——按「那句话是怎么说的」去找录音、按描述去找图，这在客服复盘、档案整理这类活儿上，比传统关键字搜索的命中率高得多。要注意的边界是：嵌入模型只负责「找到」，不负责「答对」，检索质量仍然取决于你的切片方式和素材本身。