EmbeddingGemma
Google DeepMind推出的轻量级高质量文本嵌入模型，专为消费级硬件上的信息组织、搜索与检索增强生成场景设计
时间轴 (近 90 天)
EmbeddingGemma 支持 100 多种语言，作者曾用意大利语笔记测试同一套设置。
Little Kiln Support Copilot 是一个基于本地开源模型的轻量级检索增强生成（RAG）系统，用 Python 编写，通过 Ollama 在本地运行 EmbeddingGemma 和 Gemma 4 E2B 两个开放权重模型。
EmbeddingGemma 是一个 300M 参数、输出 768 维向量的嵌入模型。
纯检索系统无法将“我要退款”与关于缺陷鞋子的笔记关联起来，因为嵌入向量捕捉的是文本“关于什么”而非“由此推出什么”；加入生成步骤后系统才能连接“破损”与“处理方式”。
初代 EmbeddingGemma 是轻量级文本嵌入模型，下载量突破 2000 万次
EmbeddingGemma 2 在代码任务上比第一代 EmbeddingGemma 提升了约 14%（MTEB code 得分 78.68 对比 68.76）
EmbeddingGemma 和 Qwen3-Embedding 的微调现在会保存模型内置的 query 和 document 提示词，而不是空提示
谷歌专业Gemma模型包括：EmbeddingGemma用于文本嵌入和语义搜索，FunctionGemma用于工具调用，PaliGemma侧重视觉，ShieldGemma侧重安全
全部知识事实 (8)
EmbeddingGemma 支持 100 多种语言，作者曾用意大利语笔记测试同一套设置。
50%待验证Little Kiln Support Copilot 是一个基于本地开源模型的轻量级检索增强生成（RAG）系统，用 Python 编写，通过 Ollama 在本地运行 EmbeddingGemma 和 Gemma 4 E2B 两个开放权重模型。
50%待验证EmbeddingGemma 是一个 300M 参数、输出 768 维向量的嵌入模型。
50%待验证纯检索系统无法将“我要退款”与关于缺陷鞋子的笔记关联起来，因为嵌入向量捕捉的是文本“关于什么”而非“由此推出什么”；加入生成步骤后系统才能连接“破损”与“处理方式”。
50%待验证初代 EmbeddingGemma 是轻量级文本嵌入模型，下载量突破 2000 万次
50%待验证EmbeddingGemma 2 在代码任务上比第一代 EmbeddingGemma 提升了约 14%（MTEB code 得分 78.68 对比 68.76）
50%待验证EmbeddingGemma 和 Qwen3-Embedding 的微调现在会保存模型内置的 query 和 document 提示词，而不是空提示
50%待验证谷歌专业Gemma模型包括：EmbeddingGemma用于文本嵌入和语义搜索，FunctionGemma用于工具调用，PaliGemma侧重视觉，ShieldGemma侧重安全
50%