Google DeepMind presenta EmbeddingGemma 2, un modelo multimodal ligero para dispositivos

Google DeepMind anunció el 6 de octubre de 2026 EmbeddingGemma 2, un modelo multimodal abierto basado en la arquitectura Gemma 4 y publicado bajo la licencia Apache 2.0. El sistema genera representaciones vectoriales de texto, código, imágenes, vídeo y audio dentro de un espacio de embedding unificado.

El modelo cuenta con 740 millones de parámetros y está diseñado para inferencia en dispositivos. Su configuración modular permite usar 270 millones de parámetros para tareas exclusivamente textuales, con codificadores opcionales de visión y audio de 170 y 300 millones de parámetros, respectivamente.

EmbeddingGemma 2 incorpora una ventana de contexto de 8.000 tokens, cuatro veces mayor que la de EmbeddingGemma. Según Google DeepMind, puede procesar localmente hasta 5,5 minutos de audio, 29 imágenes, 58 fotogramas de vídeo o combinaciones de estos formatos.

La compañía afirma que el modelo logra resultados destacados entre los sistemas multimodales de menos de 1.000 millones de parámetros en pruebas como MTEB Code y MAEB. En MTEB Code, su puntuación mejora en 9,92 puntos respecto a EmbeddingGemma, al pasar de 68,76 a 78,68.

Mediante Matryoshka Representation Learning, los vectores de salida pueden reducirse de 768 a 512, 256 o 128 dimensiones. Google DeepMind señala que esto puede recortar hasta seis veces el almacenamiento de bases de datos vectoriales locales y el uso de memoria. Con cuantización, el modelo requiere aproximadamente 191 MB de RAM activa para los pesos de texto y 567 MB para la versión multimodal completa en un Google Pixel 11 Pro.

EmbeddingGemma 2 está orientado a búsquedas semánticas, recuperación multimodal y flujos RAG ejecutados en el dispositivo. Google DeepMind también destaca usos como localizar vídeos a partir de notas de voz, buscar grabaciones de audio mediante consultas de texto y combinarlo con Gemma 4 para el razonamiento contextual.

Los pesos están disponibles en Hugging Face y Kaggle, mientras que su llegada a Gemini Enterprise Agent Platform Model Garden está prevista próximamente. El modelo también puede integrarse mediante Google AI Edge MediaPipe, LiteRT, transformers.js y WebGPU, así como con herramientas como sentence-transformers, MLX, vLLM, llama.cpp, SGLang, Ollama y LMStudio.

Fuente: Google DeepMind.