📖 AI 总结

Google DeepMind 发布了 EmbeddingGemma 2，一个基于 Gemma 4 架构的 740M 参数开源多模态嵌入模型，采用 Apache 2.0 许可。该模型的核心突破在于将文本、代码、图像、视频和音频统一映射到同一个 768 维向量空间，支持跨模态检索，例如用文字查询检索照片，或用语音备忘录检索视频片段。模型采用模块化设计，包含 270M 的文本与代码骨干、170M 的视觉编码器和 300M 的音频编码器，开发者可按需加载，从纯文本的 270M 到全模态的 740M 灵活配置，且所有配置共享同一向量空间。其 8K token 上下文窗口较前代扩大四倍，可容纳约 29 张图像或 5.5 分钟音频。模型权重已在 Hugging Face 和 Kaggle 上线，并支持 Ollama、llama.cpp 等本地部署方案，主要面向端侧搜索、分类和隐私优先的 RAG 应用。