手机里一直缺一块拼图：能理解并搜索你自己的东西，却不用把它传到服务器上。Google 发布的 EmbeddingGemma 2 想补上这块拼图——这是它第一个原生多模态的端侧嵌入开放模型，采用 Apache 2.0 许可。

它把文本、代码、图像、音频和视频放进同一个可搜索空间，全部在手机上完成。模型规模 740M 参数，基于 Gemma 4 架构。

打开网易新闻 查看精彩图片

模块化拆开，按需加载

它的各个部件是模块化的，这意味着应用不必一次性背上全部重量：

  • 纯文本应用只需要 270M 参数
  • 170M 的视觉编码器和 300M 的音频编码器，只在需要时才加载

在 Pixel 11 Pro 上，量化后的文本权重占用约 191MB 活跃内存，完整多模态模型占用约 567MB。

上下文窗口扩大了 4 倍，达到 8K token——单次输入大约够放 5.5 分钟音频、29 张图像或 58 帧视频。

代码搜索涨得最猛

各项能力里，代码搜索的收益最明显：MTEB Code 分数从 68.76 升到 78.68，同时多语言文本分数保持持平。

Google 还声称，它在音频和视觉基准上取得了 10 亿参数以下模型的最好结果，并赢过了一些规模是它两倍的专业模型。

把这些数字放在一起看，端侧多模态的账本其实很清楚：过去要在手机上做跨模态检索，要么把数据送出去，要么塞一个跑不动的模型。EmbeddingGemma 2 给出的答案是拆——文本、视觉、音频各管一段，用的时候再拼起来，内存占用按需浮动。

对开发者来说，Apache 2.0 意味着可以把它直接嵌进产品里。对用户来说，变化可能更朴素：手机开始能搜自己的东西，而这些东西不必先离开手机。