أطلقت Google DeepMind في 6 أكتوبر 2026 النموذج EmbeddingGemma 2، وهو نموذج تضمين (Embedding) مفتوح يحوّل النص والكود والصور والفيديو والصوت إلى متجهات في فضاء واحد مشترك، ومصمم للعمل على الهواتف والحواسيب المحمولة وغيرها من الأجهزة المحلية. وكان الإصدار الأول من EmbeddingGemma يدعم النص فقط، وتقول Google إن عدد تنزيلاته تجاوز 20 مليونًا.
أبرز التفاصيل
- الحجم: 740M معامل إجمالًا. الاستخدام النصي وحده يحتاج نحو 270M، أما مشفّر الرؤية (170M) ومشفّر الصوت (300M) فاختياريان.
- الأساس: مبني على Gemma 4، ويشاركه مقسّم الرموز النصي ومشفّر الصوت.
- السياق: 8K رمز، أي أربعة أضعاف الإصدار الأول. وتقول Google إن ذلك يكفي لنحو 5.5 دقيقة من الصوت، أو 29 صورة، أو 58 إطار فيديو، أو مزيج منها.
- أبعاد مرنة: تقنية Matryoshka Representation Learning تتيح تقليص المتجهات من 768 بعدًا إلى 512 أو 256 أو 128، بتوفير في التخزين يصل إلى 6 أضعاف.
- الترخيص: Apache 2.0، ويسمح بالاستخدام التجاري.
مقارنة سريعة
| البند | EmbeddingGemma الأول | EmbeddingGemma 2 |
|---|---|---|
| الوسائط | نص فقط | نص وكود وصور وفيديو وصوت |
| MTEB Code | 68.76 | 78.68 |
| الأداء النصي متعدد اللغات | المرجع | مماثل للإصدار الأول |
وعلى هاتف Pixel 11 Pro، وبعد التكميم (Quantization)، يستهلك النموذج نحو 191MB من الذاكرة النشطة للنص وحده، ونحو 567MB للاستخدام متعدد الوسائط كاملًا. ونتائج الصوت والصور والفيديو منشورة في بطاقة النموذج.
ماذا يعني ذلك لك؟
التوليد المعزز بالاسترجاع (RAG) والبحث الدلالي يحتاجان عادة نماذج تضمين منفصلة للنص والصور والصوت، وخادمًا لتشغيلها. أما نموذج صغير واحد بفضاء مشترك فيسمح لتطبيقك بالبحث في الصور بسؤال نصي، أو العثور على لحظة معينة في تسجيل صوتي، أو فهرسة مستندات مختلطة محليًا دون إرسال البيانات إلى API سحابي. وهذا مفيد للتطبيقات الحساسة للخصوصية، وللعمل دون اتصال، ولخفض تكلفة التضمين.
وخيار Matryoshka عملي للفهارس الكبيرة: تخزين متجهات بـ 128 بعدًا بدل 768 يقلص حجم قاعدة بيانات المتجهات كثيرًا، مقابل بعض الدقة التي ينبغي قياسها على بياناتك. ولأن النموذج صغير وترخيصه متساهل، يمكن ضبطه على بيانات متخصصة، مثل كتالوجات المنتجات أو المستندات الداخلية، دون قيود ترخيص على النشر التجاري.
كيف تجربه؟
- نزّل الأوزان من Hugging Face (google/embeddinggemma-2) أو Kaggle. أما إتاحته في Model Garden من Google فمدرجة على أنها قريبة.
- على الخوادم، حمّله عبر sentence-transformers أو transformers أو vLLM أو SGLang أو llama.cpp (GGUF) أو Ollama أو LM Studio أو MLX.
- في تطبيقات الأجهزة، استخدم النسخ المحسنة لـ LiteRT مع MediaPipe أو LiteRT، أو transformers.js مع WebGPU في المتصفح.
- تشير Google إلى Qdrant لتخزين المتجهات وUnsloth للضبط الدقيق.
