# EmbeddingGemma 2: локальный поиск по тексту, изображениям, аудио и видео

Источник: https://modelium.tech/zhurnal/embeddinggemma-2-multimodal-local-search-gguf/

6 октября 2026 года Google представила EmbeddingGemma 2 — открытую мультимодальную модель эмбеддингов на 740 млн параметров под Apache 2.0. Она кодирует текст, изображения, аудио и видео в общее 768-мерное пространство для поиска и RAG без облачной отправки данных. Официальные веса опубликованы на Hugging Face; ggml-org в тот же день выложила отдельную GGUF-конверсию с файлами модели и мультимодального проектора. Заявленные показатели качества принадлежат Google, а не независимому тесту Modelium.

EmbeddingGemma 2: локальный поиск по тексту, изображениям, аудио и видео

**6 октября 2026 года Google официально представила EmbeddingGemma 2.** Это модель *эмбеддингов*, а не чат-бот: она превращает текст, код, изображение, аудио, видео и их сочетания в векторы для семантического поиска, классификации и RAG. Анонс датирован 6 октября; дата создания HF-репозитория (14 сентября) сама по себе не является датой релиза, а закреплённая ревизия весов на HF обновлена в день анонса. [s1](#src-s1) [s2](#src-s2)

## Что доступно для локального запуска

В официальном репозитории Google доступен полный `model.safetensors`, конфигурация, токенизатор и процессор. Модель объединяет текстовый блок на 270 млн параметров, визуальный на 170 млн и аудио на 300 млн — всего 740 млн. Векторы имеют **768 измерений**; поддерживается сокращение до 512, 256 или 128 измерений с повторной L2-нормализацией. Для текстовой обработки можно не загружать ненужные модальные энкодеры, но это не означает, что размер весов равен требованию к RAM. Лицензия исходной модели — **Apache 2.0**, допускающая коммерческое применение при соблюдении её условий. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

В тот же день организация ggml-org загрузила отдельную **автоматическую GGUF-конверсию**: BF16 и Q8_0 для модели и соответствующие файлы `mmproj` для мультимодальных входов. В закреплённом дереве видны все четыре GGUF-файла. Карточка конверсии предлагает `llama serve -hf ggml-org/embeddinggemma-2-GGUF`; наличие файлов и этой команды — не подтверждение, что Modelium проверил работу всех четырёх модальностей, точность конверсии либо совместимость конкретной сборки llama.cpp. Не смешивайте базовый checkpoint Google и GGUF как одну и ту же проверенную реализацию. [s4](#src-s4) [s5](#src-s5)

## Как применить в поиске

Для первого текстового опыта начните с официальной модели и примера `SentenceTransformer` в карточке Google: закодируйте запрос с префиксом `SearchQuery`, документы — с `Document` или явным `title: … | text: …`, затем сравните нормализованные векторы. У запроса и индекса должна быть одинаковая размерность; после сокращения векторов их надо вновь нормализовать. Для изображений, звука и видео нужен подходящий процессор и проверка поддержки выбранной версии библиотеки — не переносите текстовый рецепт автоматически на все модальности. Google рекомендует BF16 либо FP32 и предупреждает, что FP16 может приводить к NaN или тихому ухудшению эмбеддингов. [s2](#src-s2)

Практическая польза: индексировать локальные документы и медиатеку, находить изображение по тексту или фрагмент видео по аудиозапросу, не отправляя исходные файлы в удалённый API. Сначала проверьте свой корпус и целевую платформу: Google приводит авторские результаты на MTEB, MIEB, MMEB и аудиотестах **для полноточного checkpoint**, а не для GGUF-квантов. Например, в карточке указаны MTEB code Mean(Task) NDCG@10 **78,68** против **68,76** у предыдущей EmbeddingGemma; это результаты авторской оценки с её условиями, не наш замер и не обещание качества на русском корпусе. [s1](#src-s1) [s2](#src-s2)

**Выбор пути:** официальный checkpoint и библиотека обработки — для проверки качества и совместного индекса по нескольким модальностям; GGUF — для эксперимента с локальным стеком llama.cpp после проверки конкретной версии и выходных векторов. Размеры скачиваемых файлов не переводятся напрямую в минимум RAM/VRAM. [s2](#src-s2) [s4](#src-s4) [s5](#src-s5)

## Источники

1. [Google — официальный анонс EmbeddingGemma 2 от 6 октября 2026 года](https://blog.google/innovation-and-ai/technology/developers-tools/embeddinggemma-2/) — получено 2026-10-06
2. [Google — карточка EmbeddingGemma 2, ревизия 914f7f89](https://huggingface.co/google/embeddinggemma-2/blob/914f7f89142e33e77833254d9c9b90c3cef7303b/README.md) — получено 2026-10-06
3. [Google — закреплённый манифест весов EmbeddingGemma 2](https://huggingface.co/google/embeddinggemma-2/tree/914f7f89142e33e77833254d9c9b90c3cef7303b) — получено 2026-10-06
4. [ggml-org — карточка GGUF-конверсии EmbeddingGemma 2](https://huggingface.co/ggml-org/embeddinggemma-2-GGUF/blob/bfcd298762cc34d0357ece5ebdd31791a3a374d8/README.md) — получено 2026-10-06
5. [ggml-org — закреплённое дерево файлов GGUF-конверсии](https://huggingface.co/ggml-org/embeddinggemma-2-GGUF/tree/bfcd298762cc34d0357ece5ebdd31791a3a374d8) — получено 2026-10-06