EmbeddingGemma 2 es un modelo abierto y ligero que convierte texto, código, imágenes, audio y vídeo en representaciones comparables. Está pensado para crear búsqueda semántica multimodal directamente en dispositivos y ya se puede descargar.
Google ha publicado EmbeddingGemma 2, un modelo abierto para organizar y buscar información de distintos tipos. Genera representaciones numéricas de texto, código, imágenes, audio y vídeo en un mismo espacio, de modo que una aplicación pueda encontrar contenidos relacionados aunque la consulta y el resultado tengan formatos diferentes.
Esto permite crear, por ejemplo, un buscador que encuentre un momento de un vídeo a partir de una pregunta escrita o una nota de voz. No se trata de un chatbot que redacte respuestas por sí solo: su función principal es localizar y comparar información para que otra aplicación la utilice.
El modelo tiene 740 millones de parámetros y se ha diseñado para funcionar en dispositivos con recursos limitados. Google explica que puede reducirse a una configuración solo de texto y que, con cuantización, una versión multimodal llega a necesitar alrededor de 567 MB de RAM activa en el teléfono usado como referencia. Ese dato es una medición concreta, no una promesa para cualquier equipo.
Admite hasta 8.000 tokens de contexto y puede procesar fragmentos de audio, secuencias de vídeo o combinaciones de entradas. También permite acortar sus vectores de salida para ahorrar almacenamiento en una base de búsqueda local, con posibles reducciones de hasta seis veces según la configuración.
Los pesos ya están disponibles para descarga en Hugging Face y Kaggle con licencia Apache 2.0. Google ofrece ejemplos en sus herramientas AI Edge y documentación para integrarlo. Al ser un modelo para desarrolladores, no aparece como una nueva función automática dentro de la aplicación Gemini.
