EmbeddingGemma 2 裝置端多模態嵌入

740M 參數統一文字圖像音訊影片，一頁看懂規格與 HN 反應

sourceGoogle Blog 2026-10-06 + HN 225 points 29 則留言

Lead: EmbeddingGemma 2 把文字、程式碼、圖像、音訊、影片放進同一個向量空間，7.4 億參數，Apache 2.0，可完全離線跑。

A

速覽

模型: EmbeddingGemma 2，基於 Gemma 4
參數: 740M，可拆，文字 270M，視覺 170M，音訊 300M
授權: Apache 2.0，可商用
上下文: 8K token，前代 4 倍
記憶體: Pixel 11 Pro 量化後文字 191MB，全模態 567MB
輸入上限: 5.5 分鐘音訊，29 張圖，58 格影格

B

五大特色

同級最佳：10 億參數以下多模態嵌入領先，文字、視覺、音訊都強。
模組化：純文字只載 270M，需要再加視覺、音訊編碼器。
省儲存：MRL 可把 768 維截到 512、256、128 維，最高省 6 倍。
裝置端：量化後記憶體低，可離線跑，保護隱私，降低延遲。
長上下文：8K token，可吃交錯的多模態輸入。

C

怎麼運作

D

效能重點

項目	數據	說明
程式碼檢索	78.68 分	前代 68.76，大漲 9.92 分
文字多語言	持平	維持前代水準
圖音品質	超專用模型	參數兩倍大的專用模型也被超車
儲存	最高省 6 倍	768 維可砍到 128 維
速度 M3 Pro	文 78 筆每秒	圖 4 筆，音 6 筆，影片每分鐘 0.2 筆

E

HN 怎麼看

立場	論點
讚授權	嵌入要存百萬向量，封閉模型下架就要重算，開權重才能避險
讚拆分	純文字 270M 剛好，文字加視覺 440M 也合理
追問	MRL 只省儲存，不省權重，想要 MatFormer 式縮模型
實測	官方分類範例翻車，financial 只給 0.22，對手 Laya 較準
質疑	為何不比 SigLIP2，不能做 OCR，Voyage 在利基領域仍強

F

拿來做什麼

媒體庫語意搜尋：用文字或圖片找最像的照片影片。
影片時刻定位：用文字或音訊查到特定片段。
本地 RAG：EmbeddingGemma 2 檢索，Gemma 4 推理，共用斷詞器，記憶體更省。
即時決策：接 MediaPipe Decision Task，做分類、分流、預測。
開發工具：支援 transformers，sentence-transformers，MLX，vLLM，llama.cpp，Ollama，LMStudio，瀏覽器可用 transformers.js。

HN 一句話總結

開權重加模組化是對的方向，裝置端多模態搜尋終於有堪用的中尺寸模型。

---
title: EmbeddingGemma 2 裝置端多模態嵌入
subtitle: 740M 參數統一文字圖像音訊影片，一頁看懂規格與 HN 反應
cols: 3
source: Google Blog 2026-10-06 + HN 225 points 29 則留言
---
Lead: EmbeddingGemma 2 把文字、程式碼、圖像、音訊、影片放進同一個向量空間，7.4 億參數，Apache 2.0，可完全離線跑。

## 速覽 {span=3}
```kv
模型: EmbeddingGemma 2，基於 Gemma 4
參數: 740M，可拆，文字 270M，視覺 170M，音訊 300M
授權: Apache 2.0，可商用
上下文: 8K token，前代 4 倍
記憶體: Pixel 11 Pro 量化後文字 191MB，全模態 567MB
輸入上限: 5.5 分鐘音訊，29 張圖，58 格影格
```

## 五大特色
- 同級最佳：10 億參數以下多模態嵌入領先，文字、視覺、音訊都強。
- 模組化：純文字只載 270M，需要再加視覺、音訊編碼器。
- 省儲存：MRL 可把 768 維截到 512、256、128 維，最高省 6 倍。
- 裝置端：量化後記憶體低，可離線跑，保護隱私，降低延遲。
- 長上下文：8K token，可吃交錯的多模態輸入。

## 怎麼運作
```flow
文字 -> 統一嵌入: 查詢詞轉向量
圖像 -> 統一嵌入: 媒體庫先編好向量
音訊 -> 統一嵌入: 30 秒一切塊
影片 -> 統一嵌入: 每秒取 1 格
統一嵌入 -> 搜尋: 找最近鄰
搜尋 -> 應用: 語意搜尋，影片定位，RAG
應用 -> 決策: MediaPipe 分類分流預測
```

## 效能重點
| 項目 | 數據 | 說明 |
|---|---|---|
| 程式碼檢索 | ok 78.68 分 | 前代 68.76，大漲 9.92 分 |
| 文字多語言 | ok 持平 | 維持前代水準 |
| 圖音品質 | ok 超專用模型 | 參數兩倍大的專用模型也被超車 |
| 儲存 | ok 最高省 6 倍 | 768 維可砍到 128 維 |
| 速度 M3 Pro | ok 文 78 筆每秒 | 圖 4 筆，音 6 筆，影片每分鐘 0.2 筆 |

## HN 怎麼看
| 立場 | 論點 |
|---|---|
| ok 讚授權 | 嵌入要存百萬向量，封閉模型下架就要重算，開權重才能避險 |
| ok 讚拆分 | 純文字 270M 剛好，文字加視覺 440M 也合理 |
| warn 追問 | MRL 只省儲存，不省權重，想要 MatFormer 式縮模型 |
| warn 實測 | 官方分類範例翻車，financial 只給 0.22，對手 Laya 較準 |
| no 質疑 | 為何不比 SigLIP2，不能做 OCR，Voyage 在利基領域仍強 |

## 拿來做什麼
- 媒體庫語意搜尋：用文字或圖片找最像的照片影片。
- 影片時刻定位：用文字或音訊查到特定片段。
- 本地 RAG：EmbeddingGemma 2 檢索，Gemma 4 推理，共用斷詞器，記憶體更省。
- 即時決策：接 MediaPipe Decision Task，做分類、分流、預測。
- 開發工具：支援 transformers，sentence-transformers，MLX，vLLM，llama.cpp，Ollama，LMStudio，瀏覽器可用 transformers.js。

```callout ok HN 一句話總結
開權重加模組化是對的方向，裝置端多模態搜尋終於有堪用的中尺寸模型。
```