EmbeddingGemma 2 发布：Google 将文本、代码、图像、视频和音频统一至同一向量空间

Google 发布了基于 Gemma 4 构建的 EmbeddingGemma 2，这是一款采用 Apache 2.0 许可证的多模态嵌入模型，旨在通过统一的 768 维向量空间实现文本、代码、图像、视频和音频的语义检索。该模型针对设备端部署进行了优化，支持在移动设备和笔记本电脑等消费级硬件上运行，允许开发者加载不同规模的编码器（从 2.7 亿参数到 7.4 亿参数）以适应不同的多模态需求。

模型引入了套娃表示学习（MRL）技术，支持将嵌入向量截断以降低存储成本。例如，100 万个 768 维向量存储需 1.5GB，截断至 128 维后仅需 250MB，但代价是图像、视频和语音检索质量可能下降至约 75%。Reddit 社区反馈指出，虽然多模态能力令人印象深刻，但在纯文本任务上的提升幅度有限，且强调必须严格遵守特定的任务前缀格式（如“title: none | text:”），否则会导致召回率明显下降。

事实层面，该模型已在 Hugging Face 上线，并明确区分了不同模态的编码器规模（Vision Encoder 170M, Audio Encoder 300M）。推断层面，这种架构设计表明 Google 试图解决跨媒体检索中维护独立空间的工程痛点，适合构建本地代码库索引或智能体代码搜索场景。猜测层面，由于对归一化顺序有严格要求（先切片再归一化），实际落地时可能需要更复杂的预处理管道来保证兼容性。