MAEB
大规模音频嵌入基准测试，用于评估模型在音频嵌入和检索任务上的性能表现
时间轴 (近 90 天)
通过将中间 Conformer 层的特征投影到模型最终投影矩阵的零空间，无需任何训练，可使 EmbeddingGemma-2 在 MAEB 音频基准上的排名从第 26 位跃升至第 1 位。
现有 LLM 驱动的 Omni 嵌入模型在 MAEB 榜单上多语言文本到音频检索得分达 95-99%，但在无监督音频聚类上仅 1%-6%，语音情感识别（CREMA-D）约 20%。
用 PCA 将第 2 层和第 6 层压缩到 256 维（在 1400 个来自 4 个外部音频数据集的片段上拟合，未使用 MAEB/MSEB 数据），注入零空间后归一化，文本嵌入逐位不变，文本到音频检索变化在 0.05 分以内。
整体 MAEB 宏平均分从 49.3% 升至 54.4%（+5.1 分），在纯音频赛道从第 26 名登顶，在全量 MAEB 上从第 16 名升至第 1，领先于 8B-9B 多模态模型。
EmbeddingGemma 2 在 MTEB Code 和 MAEB 等基准上取得同尺寸多模态嵌入模型的领先成绩，在十亿参数以下模型中树立每参数质量新标准
全部知识事实 (5)
通过将中间 Conformer 层的特征投影到模型最终投影矩阵的零空间，无需任何训练，可使 EmbeddingGemma-2 在 MAEB 音频基准上的排名从第 26 位跃升至第 1 位。
50%待验证现有 LLM 驱动的 Omni 嵌入模型在 MAEB 榜单上多语言文本到音频检索得分达 95-99%，但在无监督音频聚类上仅 1%-6%，语音情感识别（CREMA-D）约 20%。
50%待验证用 PCA 将第 2 层和第 6 层压缩到 256 维（在 1400 个来自 4 个外部音频数据集的片段上拟合，未使用 MAEB/MSEB 数据），注入零空间后归一化，文本嵌入逐位不变，文本到音频检索变化在 0.05 分以内。
50%待验证整体 MAEB 宏平均分从 49.3% 升至 54.4%（+5.1 分），在纯音频赛道从第 26 名登顶，在全量 MAEB 上从第 16 名升至第 1，领先于 8B-9B 多模态模型。
50%待验证EmbeddingGemma 2 在 MTEB Code 和 MAEB 等基准上取得同尺寸多模态嵌入模型的领先成绩，在十亿参数以下模型中树立每参数质量新标准
50%