EmbeddingGemma 2: un modelo de embeddings multimodal, abierto y ligero
Google publica EmbeddingGemma 2, un modelo de código abierto que convierte texto, imágenes, audio y vídeo en un espacio de embeddings común para buscarlos y compararlos juntos. Basado en la arquitectura Gemma 4 con 740 millones de parámetros, está pensado para dispositivos locales y permite reducir el tamaño de sus vectores.
Qué dice el artículo
El 6 de octubre de 2026, Google presenta EmbeddingGemma 2, un modelo de embeddings de código abierto, ligero y multimodal, que sitúa texto, imágenes, audio y vídeo en un mismo espacio vectorial. Basado en Gemma 4 con 740 millones de parámetros y publicado bajo licencia Apache 2.0, sucede a un primer EmbeddingGemma que superó los 20 millones de descargas. Es modular: bastan 270 millones de parámetros para solo texto, con codificadores opcionales de visión (170 M) y audio (300 M). Su ventana de contexto llega a 8000 tokens, cuatro veces la de la versión 1.
Google indica las mejores puntuaciones entre los modelos multimodales de menos de mil millones de parámetros en MTEB Code y MAEB, con MTEB Code pasando de 68,76 a 78,68. Los vectores de 768 dimensiones pueden truncarse hasta 128 para reducir el almacenamiento. El modelo apunta al uso en el dispositivo, con unos 191 MB de RAM para solo texto en un Pixel 11 Pro. Los pesos están en Hugging Face y Kaggle, con muchas herramientas compatibles.
Leer el artículo oficial Ficha AnnuIA
Resumen redactado por AnnuIA con sus propias palabras a partir de la página oficial de Google DeepMind. El contenido y los derechos pertenecen al editor: consulte el artículo original.