Google ha presentado EmbeddingGemma 2, un modelo de embeddings multimodales de código abierto con 740 millones de parámetros, diseñado para operar de forma eficiente en hardware de consumo. Este nuevo modelo, basado en la arquitectura Gemma 4 y licenciado bajo Apache 2.0, unifica el procesamiento de texto, código, imágenes, video y audio en un espacio de embeddings compartido. Su objetivo principal es permitir la búsqueda y recuperación de información compleja directamente en el dispositivo del usuario, garantizando la privacidad de los datos y reduciendo la latencia de las pipelines de generación de lenguaje (RAG).
El modelo destaca por su optimización para inferencia local, requiriendo aproximadamente 191 MB de RAM activa para tareas de texto solo en un Google Pixel 11 Pro, y hasta 567 MB para la versión multimodal completa. Incorpora una ventana de contexto de 8K tokens, lo que permite procesar hasta 5,5 minutos de audio o 29 imágenes en una sola ejecución. En términos de rendimiento, EmbeddingGemma 2 mejora un 9,92 puntos en la evaluación de código (MTEB Code) respecto a su predecesor, manteniendo una alta calidad en tareas de visión y audio. La empresa ofrece el modelo a través de Hugging Face y Kaggle, y lo integra con herramientas de desarrollo como LiteRT, MediaPipe y vLLM para facilitar su implementación en aplicaciones móviles, web y de escritorio.