EmbeddingGemma 2
Google DeepMind推出的多模态嵌入模型，支持文本、代码、图像、视频和音频的向量化，适用于语义搜索、RAG、分类和聚类任务，支持100+语言
核心事实
时间轴 (近 90 天)
SuperLocalMemory集成了Google的EmbeddingGemma 2模型，支持通过自然语言描述来查找图片和PDF文件。
Ollama v0.40.4 将 llama.cpp 升级至 b11521 版本，由 jmorganca 提交，主要面向决策模型和 EmbeddingGemma 2 的支持。
EmbeddingGemma 2 属于 Google Gemma 系列的文本嵌入模型，专门用于把文本映射成稠密向量，而非生成式对话，适合 RAG、语义检索、聚类、去重等任务。
Qwen3-Embedding、EmbeddingGemma 2和nomic-embed-text v1.5均为Apache 2.0许可，BGE-M3为MIT许可，均可直接用于商业产品；EmbeddingGemma v1受Google Gemma条款约束；jina-embeddings-v5-text-small采用CC BY-NC 4.0许可，商用需单独获取授权
EmbeddingGemma 2的上下文窗口从v1的2048 token扩展到8192，MTEB Code从68.76提升至78.68，已支持Ollama、llama.cpp、sentence-transformers、MLX、vLLM和浏览器端transformers.js；目前尚无v2的独立检索基准测试，SciFact分数0.7861属于v1
Google于2026年10月6日发布EmbeddingGemma 2，其270M文本骨干支持8192 token上下文，采用Apache 2.0许可
EmbeddingGemma 2 使用 Matryoshka 向量表示，768 维中的前 128、256 或 512 维可独立用作嵌入。
L4 与 cpu-repack 的每百万文档成本盈亏平衡点为 3.4% 忙碌比例：L4 在线时间超过 3.4% 在干活时，每文档成本低于 repack。
EmbeddingGemma 2 自带视觉与音频编码器，但该项目只加载文本塔。
EmbeddingGemma 2 是一个开源文本嵌入模型，将文本转换为 768 维向量。
还有 40 条时间轴事件
全部知识事实 (20)
量化后，EmbeddingGemma 2 在 Google Pixel 11 Pro 上纯文本权重仅需约 191MB 活跃内存，完整多模态模型约需 567MB
85%已验证EmbeddingGemma 2 在 MTEB Code 基准上得分从初代的 68.76 提升至 78.68，提升 9.92 分
75%已验证EmbeddingGemma 2 首次把文本、代码、图像、视频和音频统一映射到同一个嵌入空间，并针对端侧优化支持本地部署 RAG
65%已验证Google DeepMind发布了Embedding Gemma 2，一个开放的多模态嵌入模型，参数量740M，将文字、图片、视频和音频映射到同一向量空间
70%部分验证EmbeddingGemma 2 是谷歌基于 Gemma 4 架构打造的多模态嵌入模型，能够将文本、图像、音频和视频编码到共享的 768 维向量空间中
75%部分验证EmbeddingGemma 2 采用 Matryoshka Representation Learning 技术，嵌入向量可被截断到 512、256 或 128 维而不会严重损失表达质量
75%部分验证EmbeddingGemma2除了文字和图片外还支持音频和视频，把不同模态内容都转换成768维向量
65%待验证SuperLocalMemory集成了Google的EmbeddingGemma 2模型，支持通过自然语言描述来查找图片和PDF文件。
50%待验证EmbeddingGemma 2 属于 Google Gemma 系列的文本嵌入模型，专门用于把文本映射成稠密向量，而非生成式对话，适合 RAG、语义检索、聚类、去重等任务。
50%待验证EmbeddingGemma 2的上下文窗口从v1的2048 token扩展到8192，MTEB Code从68.76提升至78.68，已支持Ollama、llama.cpp、sentence-transformers、MLX、vLLM和浏览器端transformers.js；目前尚无v2的独立检索基准测试，SciFact分数0.7861属于v1
50%待验证Qwen3-Embedding、EmbeddingGemma 2和nomic-embed-text v1.5均为Apache 2.0许可，BGE-M3为MIT许可，均可直接用于商业产品；EmbeddingGemma v1受Google Gemma条款约束；jina-embeddings-v5-text-small采用CC BY-NC 4.0许可，商用需单独获取授权
50%待验证在 SciFact 数据集（300 条查询、5,183 篇科学摘要、768 维）上，int8+int4 repack 模型相比 float32 原版保留了 97.9% 的 nDCG@10（0.836 vs 0.854）。
50%待验证EmbeddingGemma 2 使用 Matryoshka 向量表示，768 维中的前 128、256 或 512 维可独立用作嵌入。
50%待验证EmbeddingGemma 2 是一个开源文本嵌入模型，将文本转换为 768 维向量。
50%待验证EmbeddingGemma 2 自带视觉与音频编码器，但该项目只加载文本塔。
50%待验证int8 量化 repack 与 float32 原版的逐文本余弦相似度在 0.9888 到 0.9978 之间；bf16 L4 与原版 float32 的余弦相似度达 0.9999 到 1.0000。
50%待验证EmbeddingGemma 2 的参数量为 740M。
50%待验证端侧 RAG 的瓶颈是内存，模型权重加上运行时开销必须控制在应用可接受的范围内，因此 191MB 的文本模式比 567MB 的完整模式更容易被集成。
50%待验证EmbeddingGemma 2 很可能采用了共享主干加模态适配器的结构，而非为每种模态各配一套完整编码器。
50%待验证EmbeddingGemma 2 目前公开的信息集中在模型规格和基准分数上，实际检索质量仍需在不同数据集上验证。
50%