EmbeddingGemma 2 Leva Busca Multimodal para Dispositivos
Google DeepMind lançou o EmbeddingGemma 2, modelo aberto de 740M sob Apache 2.0 para busca vetorial em texto, código, áudio e vídeo em hardware local.
A Google DeepMind lançou um modelo aberto que projeta texto, áudio, fotos e vídeo em um mesmo espaço vetorial no hardware do usuário.
Pesquisar arquivos locais em diferentes formatos costuma exigir um encadeamento demorado de modelos especializados. Em 6 de outubro de 2026, a Google DeepMind lançou o EmbeddingGemma 2 sob licença permissiva Apache 2.0 para encurtar esse caminho. Desenvolvido sobre a família Gemma 4, o projeto gera representações vetoriais diretas para texto, código, fotos, faixas de áudio e trechos de vídeo sem depender de servidores em nuvem.
EmbeddingGemma 2 Conecta Cinco Mídias em um Espaço Único
Sistemas comuns de busca multimodal dependem de conversões em cascata. Localizar um trecho específico de vídeo a partir de uma consulta em texto costuma exigir transcrição de áudio, legendagem automática dos quadros visuais e a vetorização posterior dessas frases intermediárias.
O EmbeddingGemma 2 corta essas etapas. Ele posiciona texto digitado, código-fonte, imagens estáticas, gravações de voz e clipes de vídeo em um espaço compartilhado de 768 dimensões. Como todos os dados dividem o mesmo mapa numérico, uma busca textual encontra diretamente um ponto em uma gravação de áudio ou um corte de vídeo sem intermediários.
Estrutura Modular e Consumo de Memória
A arquitetura completa soma 740 milhões de parâmetros, mas foi desenhada em blocos independentes para caber em aparelhos com recursos limitados:
- Base para texto e código: 270 milhões de parâmetros.
- Texto e visão: 440 milhões de parâmetros.
- Texto e áudio: 570 milhões de parâmetros.
- Multimodal completo: 740 milhões de parâmetros.
A janela de contexto subiu de 2.048 tokens na versão de estreia para 8.192 tokens. Pelos dados técnicos da DeepMind, essa capacidade processa documentos longos, 29 imagens estáticas, 58 quadros de vídeo ou até 5,5 minutos contínuos de áudio de uma só vez. Em testes internos realizados em um smartphone Google Pixel 11 Pro com quantização móvel, o módulo básico de texto ocupou 191 MB de RAM ativa, enquanto a versão multimodal completa consumiu 567 MB.
Truncamento Matryoshka e Resultados de Teste
Para economizar espaço ao armazenar milhões de vetores localmente, o modelo usa a técnica Matryoshka Representation Learning (MRL). Com ela, desenvolvedores podem truncar a saída padrão de 768 dimensões para 512, 256 ou 128 dimensões logo após o cálculo, reduzindo o volume em disco em até seis vezes com perda mínima de precisão.
No Model Card divulgado pela DeepMind, o EmbeddingGemma 2 marcou 78,68 pontos no benchmark MTEB Code, um ganho de 9,92 pontos (alta de cerca de 14%) frente à versão anterior. A companhia também informou liderança na categoria abaixo de 1 bilhão de parâmetros no benchmark de áudio MAEB, além de suporte a mais de 100 idiomas. Essas marcas foram medidas em testes internos da fabricante; validações independentes da comunidade ainda vão medir o desempenho em ambientes de produção variados.
RAG Local e Suporte no Ecossistema Aberto
A primeira geração do EmbeddingGemma registrou mais de 20 milhões de downloads, mas ficava restrita a textos curtos. A segunda versão mira sistemas de geração aumentada por recuperação (RAG) em dispositivos locais, nos quais acervos de áudio, relatórios internos e fotos são indexados sem envio para APIs externas nem custos recorrentes por consulta.
Projetos da comunidade adotaram o modelo rapidamente. A equipe da Unsloth AI liberou conversões em formato GGUF no Hugging Face, e o modelo oferece suporte documentado para ecossistemas locais como llama.cpp, Ollama, MLX, LiteRT, vLLM, SGLang, Qdrant e a biblioteca sentence-transformers.