Google DeepMind 发布 EmbeddingGemma 2：740M 开源多模态嵌入模型，文本/代码/图像/音频/视频同一向量空间，MTEB Code 提升近 10 分

核心背景与行业痛点

做 RAG 和代码检索的团队常常要为文本、图片、音频各部署一套嵌入模型，跨模态检索得自己拼管线，数据还要上云。一代 EmbeddingGemma 只支持文本，却已有超过 2000 万次下载。Google DeepMind 于 10 月 6 日推出 EmbeddingGemma 2，目标是用一个可在手机上跑的开源模型统一五种模态。

架构亮点与底层机制

模型基于 Gemma 4 架构，总参 740M，采用模块化设计：纯文本只需 270M，视觉编码器 170M、音频编码器 300M 可选加载。输出 768 维向量，借助 Matryoshka 表示学习可截断到 512/256/128 维，最多省 6 倍存储。上下文 8K，是一代的 4 倍，可一次编码 5.5 分钟音频、29 张图片或 58 帧视频；与 Gemma 4 共享分词器和音频编码器，组合部署时总内存更低。

权威 Benchmark 与实测跑分对比

官方给出的硬数字是 MTEB Code 从 68.76 提升到 78.68（+9.92），并称在 1B 以下多模态嵌入模型中 MTEB Code 和 MAEB 领先。量化后在 Pixel 11 Pro 上纯文本约需 191MB 内存，全多模态约 567MB。其他视觉、音频分项请以 模型卡 为准，目前尚无独立第三方复测。

开发者实战落地与开箱指南

权重以 Apache 2.0 发布在 Hugging Face 和 Kaggle。Transformers v5.19.0 已加入支持（文档），官方还列出 sentence-transformers、vLLM、llama.cpp、SGLang、Ollama、MLX、LM Studio 和 transformers.js。做本地代码库索引或编码 agent 检索时，可先用纯文本模式加 256 维截断，在召回率和存储之间取平衡。