开发工具
EmbeddingGemma 2
将文字、代码、图片、音频和视频映射到统一向量空间的轻量模型。
资源介绍
EmbeddingGemma 2 是 Google DeepMind 的多模态嵌入模型，把文字、代码、图片、视频和音频转换为统一的语义向量。它适合语义搜索、检索增强生成、分类和聚类，例如用文字搜索图片，或在音视频资料库中寻找相关内容。模型总参数约七点四亿，由文字主干与可选择加载的视觉、音频编码器组成。
原生输出为 768 维向量，也支持保留前面的 512、256 或 128 维后重新归一化，减少索引存储。查询与资料库必须使用同一维度。各模态共用 8192 token 上下文，加入图片、音频或视频会占用文字预算。文字任务应采用官方建议的任务前缀，让搜索、分类或相似度计算得到对应的表示。
权重采用 Apache 2.0，官方提供 Transformers 与 Sentence Transformers 使用方式，适合嵌入自有应用或端侧检索流程。模型输出是向量，需要搭配索引与业务逻辑才能形成搜索服务。它支持百余种语言，但效果并不均衡；推理应使用推荐的数值精度，float16 可能产生 NaN 或失真的向量，压缩到 128 维时多模态质量也会下降。
适合什么人
需要为文档、代码和多媒体资料构建语义检索能力的开发者与数据团队。
真实使用场景
价格说明
Apache 2.0 模型权重可下载使用；推理计算、向量索引存储与自行部署服务的费用由使用者承担。
核心特点
限制与注意事项
常见问题
EmbeddingGemma 2 会生成聊天回答吗？
它主要输出语义向量，供搜索、分类和聚类使用。要生成回答，需要与检索索引和生成模型组合。
可以把向量缩短来节省空间吗？
可以使用 512、256 或 128 维，并重新归一化。查询与资料库必须一致，128 维更适合文字任务，多模态质量会有明显损失。
为什么不能直接使用 float16？
官方说明模型激活范围超过 float16 的动态范围，可能产生 NaN 或静默质量下降，应使用模型卡推荐的数值精度。
相关链接
编辑：WhosBug团队 · 更新于
