Google EmbeddingGemma 2 ist ein offenes multimodales 740M-Embedding-Modell, das für die lokale On-Device-Suche über Text, Code, Bilder, Audio und Video entwickelt wurde.
Funktion und offizielle Positionierung des Produkts
Google EmbeddingGemma 2 ist ein leichtgewichtiges, nativ multimodales Embedding-Modell, das für lokale Inferenz auf Edge-Hardware konzipiert wurde. Aufbauend auf der Gemma-4-Architektur projiziert das Modell Text, Programmcode, Bilder, Audioaufnahmen und Video-Frames in einen einheitlichen Vektorraum.
Das Modell nutzt eine modulare Struktur, die es Entwicklern ermöglicht, reine Textaufgaben mit 270 Millionen Parametern auszuführen oder dedizierte Vision- und Audio-Encoder für vollständige multimodale Unterstützung anzuschließen. Zudem beinhaltet es Matryoshka Representation Learning, um Vektordimensionen für speicherbeschränkte Umgebungen flexibel zu reduzieren.
Durch offizielle Quellen belegte Anwendungsfälle
Entwickler können Foto- und Videobibliotheken lokal indexieren, um semantisches Retrieval per natürlicher Sprache oder bildbasiert zu ermöglichen.
Programmierwerkzeuge können Quellcodedateien indexieren, um offline semantische Codesuche und Retrieval-Systeme für Coding-Agenten zu betreiben.
Anwendungen können den Embedder mit generativen Sprachmodellen kombinieren, um kontextbezogene lokale Daten über mehrere Formate hinweg abzurufen.
EmbeddingGemma 2 ist so strukturiert, dass es über unterschiedliche Hardwareprofile hinweg effizient ausgeführt werden kann, indem es seine insgesamt 740 Millionen Parameter in modulare Komponenten aufteilt. Entwickler, die sich ausschließlich auf Textaufgaben konzentrieren, können die 270M-Textbasis bereitstellen, während Anwendungen zur Verarbeitung von Multimedia die zusätzlichen 170M-Vision- und 300M-Audio-Encoder laden können.
Um die Leistung in lokalen Vektordatenbanken zu optimieren, nutzt das Modell Matryoshka Representation Learning. Dieser Mechanismus ermöglicht es, die standardmäßigen 768-dimensionalen Embeddings auf 512, 256 oder 128 Dimensionen zu kürzen, was eine bis zu sechsfachen Reduzierung des Vektorspeicherbedarfs bei gleichbleibender semantischer Konsistenz ermöglicht.
Prüfungen mit eigenen Inhalten und Arbeitsabläufen
Welche Quellen wann geprüft wurden
Antworten auf Basis des quellengeprüften Produkteintrags
EmbeddingGemma 2 verarbeitet Text, Quellcode, Bilder, Video-Frames und Audioaufnahmen nativ innerhalb eines einzigen gemeinsamen Embedding-Raums.
Bei einer Quantisierung auf einem Google Pixel 11 Pro benötigt das Modell ungefähr 191 MB aktiven Arbeitsspeicher für reine Textoperationen und etwa 567 MB für das vollständige multimodale Modell.
Das Modell verfügt über ein Kontextfenster von 8.000 Token, wodurch es bis zu 5,5 Minuten Audio, 29 Bilder, 58 Video-Frames oder Kombinationen daraus verarbeiten kann.
Mithilfe von Matryoshka Representation Learning können Ausgabevektoren von 768 Dimensionen auf 512, 256 oder 128 Dimensionen gekürzt werden, um den Speicherbedarf von Datenbanken zu verringern.
Da es auf der Gemma-4-Architektur basiert, teilt sich EmbeddingGemma 2 seinen Text-Tokenizer und Audio-Encoder mit Gemma 4, was den kombinierten Speicherbedarf reduziert.
