检索层如果只能吃文本，Agent在本地媒体库里永远像「睁眼瞎」。
10月6日，Google DeepMind发布EmbeddingGemma 2。前代EmbeddingGemma主打轻量文本嵌入，下载量已超两千万；新版扩展到代码、图像、视频与音频共享嵌入空间。模型基于Gemma 4架构，完整多模态约7.4亿参数，Apache 2.0许可；模块化设计允许文本/代码场景仅加载约2.7亿参数，再按需加视觉（约1.7亿）与音频（约3亿）编码器。
性能与效率： 官方称在同尺寸sub-1B多模态嵌入中领先，MTEB Code得分由约68.76升至约78.68；并在文本、视觉、音频任务上匹敌或超过更大模型。采用Matryoshka表示学习，可将768维向量截断至512/256/128维，本地向量库存储可降约6倍。量化后，在Pixel 11 Pro上文本权重活跃内存约191MB，完整多模态约567MB。上下文扩至8K token，约可处理5.5分钟音频、29张图或58帧视频及交错组合。
落地： 权重已上Hugging Face与Kaggle；可与MediaPipe、LiteRT、sentence-transformers、vLLM、Ollama等工具链配合，构建完全离线的跨模态搜索与端侧RAG。与Gemma 4共享分词器与音频编码器，可降低联合部署内存。这补齐了「生成模型热、嵌入模型仍偏文本」的缺口。
事实以Google官方博客为准。