DeepMind 发布 740M 多模态嵌入模型 EmbeddingGemma 2

2026 年 10 月 6 日，Google DeepMind 在 Google 官方博客发布 EmbeddingGemma 2，由该团队研究工程师 Sahil Dua 和 Henrique Schechter Vera 公布。这是一个 740M 参数的开源多模态嵌入模型，采用 Apache 2.0 许可，可把文本（含代码）、图像、视频、音频及其任意组合映射到统一的 768 维向量空间。据 Reddit 的 LocalLLaMA 板块介绍，740M 总参数由一个 270M 参数的文本模型，加上模块化的 170M 视觉编码器和 300M 音频编码器组成，面向手机、笔记本等消费级硬件运行，模型页面位于 Hugging Face 的 google/embeddinggemma-2。Google 称其是端侧多模态嵌入能力最强的模型。

10 月 7 日，Techmeme、Reddit 与 Unite.AI 先后报道了这一发布。几家在模态范围的表述上略有出入：Techmeme 写的是把代码、图像、视频和音频映射到同一嵌入空间；Unite.AI 写的是文本、代码、图像、视频和音频五种模态映射到同一个 768 维嵌入空间；Reddit 的表述则是文本（含代码）、图像、视频、音频及其任意组合。目前事情停在发布与开源这一步，材料中没有更多后续进展。