Google DeepMind lança EmbeddingGemma 2 para uso local em dispositivos

Pontos principais

• O anúncio detalha os 740 milhões de parâmetros: 270 milhões no modelo de texto, com codificadores opcionais de visão (170 milhões) e áudio (300 milhões).
• Segundo o Google, o modelo mapeia texto, código, imagens, áudio e vídeo em um espaço vetorial compartilhado.
• A janela de contexto de 8 mil tokens permite processar até 5,5 minutos de áudio, 29 imagens ou 58 quadros de vídeo, segundo a empresa.
• Com Matryoshka Representation Learning, o anúncio informa que os vetores podem ser reduzidos de 768 para 512, 256 ou 128 dimensões, com redução de até seis vezes no armazenamento.
• Em um Pixel 11 Pro, após quantização, o consumo de RAM ativa fica em cerca de 191 MB no uso apenas com texto e 567 MB no modelo multimodal completo, segundo o Google.
• No benchmark MTEB Code, o Google informa que a pontuação subiu de 68,76 para 78,68 em relação ao EmbeddingGemma, ganho de 9,92 pontos.
• Os pesos estão disponíveis sob licença Apache 2.0 no Hugging Face e no Kaggle, informa a empresa.
• O Google diz que o EmbeddingGemma 2 compartilha o tokenizador de texto e o codificador de áudio do Gemma 4, permitindo combiná-los em fluxos locais de RAG com menor uso total de memória.