EmbeddingGemma 2：7.4 亿参数，把文字、代码、图像、音视频塞进同一个空间

Google DeepMind 发布 EmbeddingGemma 2，一个 7.4 亿参数的嵌入模型，把文本、代码、图像、音频和视频映射到同一个共享空间。

多模态统一嵌入意味着什么

以前做跨模态检索，往往要为每种模态准备独立的模型和一套对齐逻辑。统一到同一个嵌入空间之后，“用一段语音备忘录找一段视频片段”这类需求就变成了普通的向量检索。

端侧是它的另一个卖点

7.4 亿参数的规模小到可以在手机上运行。这带来的直接好处是：搜索自己的媒体库时，数据不需要离开设备。对相册、录音、笔记这类私密数据的本地检索，这个特性是决定性的。

实际使用建议

一是确认你的推理框架对多模态嵌入的支持程度，不同框架的实现完整度差别不小；二是如果用于检索，务必用自己的数据测召回率，尤其是长尾查询。

冷静看的一点

统一嵌入空间在跨模态检索上很方便，但通常在单一模态内的精度上会有一定的折损。如果你的场景只有文本，专用文本嵌入模型可能还是更划算。

本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。

把五种模态塞进同一个嵌入空间，跨模态检索就退化成普通向量检索了，工程价值很实在。要注意的是统一空间通常在单模态精度上会有折损，纯文本场景还是专用模型更划算。

七点四亿参数塞五种模态，每种模态分到的有效维度肯定被摊薄。我们测过类似方案，跨模态检索能打，但跟同规模专用文本模型比，纯文本召回的 NDCG 要低好几个点。真要落地建议按场景分开建索引，别指望一套通吃。