Google DeepMind发布EmbeddingGemma 2，一款面向语义检索、分类和聚类的开放多模态嵌入模型。它把文本、代码、图像、视频与音频映射到同一向量空间，让搜索系统有机会在一个索引中处理不同类型的资料。模型卡称它支持一百多种语言，约七亿四千万参数，并采用Apache二点零许可证；设计目标包括在笔记本电脑和移动设备等消费级硬件上运行。
和生成式聊天模型不同，嵌入模型不会直接写答案，而是把输入内容转成数值向量，再供相似度检索、聚类或分类系统使用。对于企业知识库，这意味着文字说明、会议录音和产品图片可以被放到同一搜索流程中。它也可作为检索增强生成的前置组件，先找出相关资料，再交给语言模型总结。
向量维度与模态组合会影响真实成本
EmbeddingGemma 2原生输出七百六十八维表示，并支持把向量截短到较小维度，以节约存储和检索开销。Google公布的评估显示，降至二百五十六维时，部分文本任务分数接近完整向量；但维度越低并非总是越好，模型卡也提醒，一百二十八维在多模态任务上的质量会明显下降，必须按自己的语料评估。
官方模型卡列出一百多种语言支持、音视频输入和代码基准等特性，但语言覆盖不等于每种语言的效果相同。中文繁简体、专业术语、口语转写和混合语料都可能造成检索差异。开发团队还要使用适合的任务前缀、统一查询与文档的向量维度，并在截短后重新归一化，否则相似度排序可能悄悄变差。
嵌入结果本身不带可读解释，错误往往表现为“搜到了看似相关的资料”。所以生产部署不能只看模型基准，还要测试检索召回、排序偏差、敏感文档过滤和跨模态误匹配。作为开放模型，EmbeddingGemma 2降低了构建本地语义搜索的门槛；真正的质量仍由数据清理、索引策略、评测集和应用层防护共同决定。
参考来源：Google：EmbeddingGemma 2发布公告；Google AI：EmbeddingGemma 2模型卡与评测说明。