Google EmbeddingGemma 2 是一款拥有 7.4 亿参数的开源多模态嵌入模型，专为在设备端本地跨文本、代码、图像、音频以及视频进行语义搜索而设计。
产品用途与官方定位
Google EmbeddingGemma 2 是一款轻量级的原生多模态嵌入模型，专为边缘硬件上的本地推理而设计。该模型基于 Gemma 4 架构构建，可将文本、编程代码、图像、音频录音以及视频帧统一映射至同一个向量空间中。
该模型采用模块化架构，允许开发者仅使用 2.7 亿参数的基础模型运行纯文本任务，或接入专用的视觉与音频编码器以获取完整的全多模态支持。此外，它还结合了俄罗斯套娃表示学习（Matryoshka Representation Learning）技术，可在存储受限的环境中灵活缩减向量维度。
有官方来源支持的使用场景
开发者可以在本地为照片与视频库建立索引，以实现基于自然语言或图像的语义检索。
编程工具可以对源代码文件建立索引，为离线语义代码搜索与编程智能体检索系统提供支持。
应用程序可将该嵌入模型与生成式语言模型相结合，跨多种格式检索具有上下文信息的本地数据。
EmbeddingGemma 2 通过将其 7.4 亿的总参数拆分为模块化组件，从而能够在不同的硬件配置上高效运行。专注于纯文本任务的开发者可以仅部署 2.7 亿参数的文本基础模型，而处理多媒体的应用则可加载额外的 1.7 亿参数视觉编码器和 3 亿参数音频编码器。
为了优化本地向量数据库中的性能，该模型采用了俄罗斯套娃表示学习（Matryoshka Representation Learning）技术。该机制允许将默认的 768 维嵌入向量截断为 512、256 或 128 维，在保持语义一致性的同时，将向量存储占用空间减少高达六倍。
用自己的素材和工作流完成验证
核对了哪些信息以及核对时间
基于已核对产品资料的回答
EmbeddingGemma 2 原生支持在同一个共享嵌入空间内处理文本、源代码、图像、视频帧以及音频录音。
在 Google Pixel 11 Pro 上进行量化运行时，该模型进行纯文本操作大约需要 191MB 的运行 RAM，而完整的全多模态模型则需要约 567MB 的 RAM。
该模型具备 8,000 个 token 的上下文窗口，使其能够在单次处理中容纳长达 5.5 分钟的音频、29 张图像、58 帧视频或图文影音交错的媒体组合。
借助俄罗斯套娃表示学习（Matryoshka Representation Learning），输出向量可以从 768 维截断至 512、256 或 128 维，从而有效缩小数据库规模并降低存储占用。
由于 EmbeddingGemma 2 构建于 Gemma 4 架构之上，它与 Gemma 4 共享文本分词器和音频编码器，从而有效降低了两模型共同部署时的内存开销。
