Google lanzó EmbeddingGemma 2 el 6 de octubre de 2026: un modelo de embeddings multimodal abierto, sobre la arquitectura Gemma 4, que reúne texto, código, imágenes, video y audio en un espacio de 768 dimensiones. Sus 740M de parámetros se cargan por módulos, licencia Apache 2.0 y pesos gratis en Hugging Face y Kaggle.
Qué cambió
El 6 de octubre de 2026, Google lanzó EmbeddingGemma 2, su modelo de embeddings multimodal abierto sobre la arquitectura Gemma 4. Reúne texto, código, imágenes, video y audio en un espacio de embeddings de 768 dimensiones: una nota de voz puede encontrar un clip de video y un texto puede buscar en tus fotos. Tiene 740 millones de parámetros modulares: base de texto de unos 270M, más codificadores opcionales de visión (170M) y audio (300M) que cargas solo si los necesitas. Su contexto de 8.192 tokens admite unos 5,5 minutos de audio, 29 imágenes o 58 fotogramas de video por entrada. La licencia es Apache 2.0, no los Términos de Gemma; los pesos son gratuitos en Hugging Face y Kaggle, con soporte desde el lanzamiento en sentence-transformers, llama.cpp, vLLM, SGLang, Ollama, LM Studio y LiteRT/MediaPipe. Su llegada al Model Garden de Gemini Enterprise Agent Platform será próximamente.
Las puntuaciones son las de la propia Google, de la tarjeta del modelo: 78,68 de NDCG@10 en MTEB Code, frente a 68,76 del primer EmbeddingGemma, una media de 61,36 en MTEB Multilingual v2 y 59,01 en total en MMEB v2 con las 768 dimensiones completas. El aprendizaje Matryoshka te permite truncar los vectores de 768 a 512, 256 o 128 dimensiones y reducir el almacenamiento de vectores hasta 6x. El modelo está pensado para funcionar en el dispositivo: Google sitúa su huella cuantizada en unos 191MB de RAM en modo solo texto y unos 567MB con todo el paquete multimodal en un Pixel 11 Pro. Al 17 de noviembre de 2026, Artificial Analysis no había publicado una página de EmbeddingGemma 2 y Arena no lo incluye, así que aún no hay puntuaciones independientes. Google publicó el informe técnico del modelo en arXiv el 17 de noviembre de 2026.
Cifras
| Métrica | EmbeddingGemma 2 |
|---|---|
| MTEB Code NDCG@10 | 78.68 |
| MMEB v2 total a 768 dimensiones | 59.01 |
| Ventana de contexto | 8,192 tokens |
| Parámetros | 740M (modulares) |
| Dimensiones | 768 (truncables a 512, 256 o 128) |
| Licencia | Apache 2.0 |
Por qué importa
Los embeddings son la fontanería detrás de la búsqueda y la recuperación, y esta versión te permite operar esa fontanería por tu cuenta. Una empresa puede indexar sus documentos, su código, sus fotos de producto y sus grabaciones de llamadas en un solo espacio y buscar en todo ello en su propio hardware, sin factura por consulta a una API y sin que los datos de tus clientes salgan del edificio. Apache 2.0 significa que puedes incluirlo en un producto comercial sin negociar una licencia, y los codificadores modulares junto con el truncado Matryoshka mantienen pequeña la huella en el teléfono, el portátil o el servidor, y también la factura de la base de datos vectorial.
Evaluaciones y recursos
- Introducing EmbeddingGemma 2: On-device, open multimodal embeddings
- EmbeddingGemma 2 model card
- google/embeddinggemma-2 en Hugging Face
- EmbeddingGemma 2 technical report (arXiv:2610.37364)
Fuentes
- Google — Introducing EmbeddingGemma 2: On-device, open multimodal embeddings
- Google — EmbeddingGemma 2 model card
- Hugging Face — google/embeddinggemma-2
- Google (arXiv) — EmbeddingGemma 2 technical report
Publicado originalmente en iacompa.com
Top comments (0)