EmbeddingGemma 2: что нового в открытой модели эмбеддингов
Давыдов Константин Юрьевич · Основатель aiglue
Google 6 октября 2026 года выпустила EmbeddingGemma 2 - открытую модель эмбеддингов, которая переводит текст, код, картинки, видео и звук в векторы одного пространства (анонс Google). Веса лежат на Hugging Face и Kaggle под лицензией Apache 2.0, модель запускается на своём сервере и даже на телефоне. Для бизнеса это заготовка для поиска по документам и баз знаний, где данные не уходят к внешнему провайдеру.
Что нового в EmbeddingGemma 2?
Модель стала мультимодальной и читает в четыре раза больше текста за раз. Эмбеддинг - это набор чисел, по которому система находит похожие по смыслу фрагменты. Первая версия работала только с текстом, вторая кладёт в одно пространство текст, код, изображения, видео и аудио (анонс Google). На практике это значит, что запрос словами найдёт и абзац из договора, и фотографию, и фрагмент записи звонка.
Что ещё изменилось:
- Модель собирается из частей. Текстовая основа весит 270 млн параметров, к ней можно добавить кодировщик изображений на 170 млн и звука на 300 млн; полная сборка - 740 млн (карточка модели). Если вам нужен только текст, лишнее не грузите.
- Контекст вырос до 8 192 токенов - в четыре раза больше, чем у первой версии (анонс Google). Длинный раздел регламента можно векторизовать целиком, без нарезки на мелкие куски.
- Языков больше 100 (документация Google), точность на многоязычных текстах Google обещает сохранить прежней (руководство разработчика).
- Векторы можно укорачивать. Полный вектор - 768 чисел, его можно обрезать до 512, 256 или 128 (руководство разработчика). Миллион векторов по 768 чисел занимает около 1,5 ГБ памяти, по 128 - около 250 МБ.
- В те же 8 192 токена помещаются до 5,5 минуты звука, 29 изображений или 58 кадров видео либо их смесь (анонс Google, карточка модели).
Чем EmbeddingGemma 2 отличается от первой версии и конкурентов?
Заметнее всего вырос поиск по коду, на обычных текстах результат почти прежний. В тесте MTEB (Code) оценка поднялась с 68,76 до 78,68 (анонс Google), на многоязычном MTEB - с 61,15 до 61,36, а на английском немного снизилась.
| Показатель | EmbeddingGemma 1 | EmbeddingGemma 2 |
|---|---|---|
| Параметры | 308 млн (документация) | 270 млн текст, 740 млн полная (карточка) |
| Контекст, токенов | 2 048 (карточка v1) | 8 192 (карточка) |
| Модальности | текст | текст, код, изображения, видео, звук (анонс) |
| MTEB многоязычный v2 | 61,15 (карточка v1) | 61,36 (карточка) |
| MTEB английский v2 | 69,67 (карточка v1) | 68,46 (карточка) |
| MTEB Code v1 | 68,76 (карточка v1) | 78,68 (карточка) |
С конкурентами Google сравнивает только словами. По словам Google, среди мультимодальных моделей меньше миллиарда параметров у неё лучшие оценки на тестах MTEB Code и MAEB, а некоторые специализированные модели более чем вдвое крупнее она обходит (анонс Google), но таблицы с чужими моделями в источниках нет. Поэтому и мы цифр конкурентов не приводим.
Цена укорачивания векторов тоже указана. При 256 числах текст и код сохраняют почти всё качество, а поиск по картинкам, видео и речи - около 95%. При 128 числах текст держит около 90%, мультимедиа - около 75% (руководство разработчика).
Сколько стоит EmbeddingGemma 2 и доступна ли она из России?
Сама модель бесплатна: веса открыты под Apache 2.0, платите вы только за железо, на котором она работает (анонс Google). Цен Google не публикует, облачная версия в Model Garden платформы Gemini Enterprise Agent Platform только обещана.
Требования к железу скромные. На телефоне Google Pixel 11 Pro квантованная текстовая версия занимает около 191 МБ оперативной памяти, полная мультимодальная - около 567 МБ (анонс Google).
С доступом из России проще, чем у облачных сервисов: EmbeddingGemma 2 скачивается файлом с весами и работает на вашей машине (анонс Google). В карточке модели на Hugging Face условий, которые нужно принять перед скачиванием, и ограничений по странам не указано (карточка модели); у первой версии такое согласие требовалось (карточка v1). Модель поддерживают Ollama, LMStudio, vLLM, sentence-transformers и другие популярные инструменты (руководство разработчика), так что она встаёт в уже привычный стек.
Для бизнеса в России это удобный вариант. Документы и переписка клиентов остаются на своём сервере, и за каждый запрос к модели платить не нужно.
Как применить EmbeddingGemma 2 в бизнесе?
Эмбеддинги - это слой поиска, на котором стоят базы знаний и ИИ-боты. Сама модель на вопросы не отвечает, она находит нужные фрагменты, а ответ по ним пишет языковая модель. Три сценария из нашей работы:
- База знаний для поддержки. Регламенты, инструкции и ответы на частые вопросы векторизуются один раз, бот в Телеграме по вопросу клиента находит нужный абзац и отвечает по нему. Контекст в 8 192 токена позволяет не дробить длинные разделы. Как складывается стоимость месяца работы такого бота и откуда он берёт ответы - в разборе ИИ-бот в Телеграме: сколько стоит месяц его работы.
- Разбор заявок. Входящие письма и сообщения сравниваются с примерами по типам: «рекламация», «счёт», «новый заказ» - и уходят нужному сотруднику. Для такой классификации у модели есть отдельная инструкция в запросе (карточка модели).
- Поиск по собранным данным. После парсинга каталогов и сайтов конкурентов получаются тысячи карточек, и найти «похожие товары» по описанию и фото удобнее векторами, чем точным совпадением слов. Мультимодальность позволяет искать сразу по тексту и картинкам. Как устроен сам сбор данных - в статье Парсинг сайтов: во что обходится сбор данных на заказ.
Кому переходить на EmbeddingGemma 2 сейчас, а кому подождать?
Переходить сейчас имеет смысл, если:
- вы строите поиск или базу знаний с нуля и хотите держать данные у себя;
- в документах есть код, техническая документация или скриншоты - на коде прирост самый большой;
- нужен поиск по фото, видео или аудиозаписям в одной базе с текстом.
Подождать стоит, если:
- у вас уже работает поиск на первой версии по обычным текстам - на многоязычном тесте разница в десятые доли, а переход потребует заново векторизовать всю базу;
- поиск идёт в основном по английским текстам - там новая версия по тесту чуть слабее;
- вам нужна облачная версия без своего сервера - в Model Garden она пока только обещана.
Прежде чем менять модель, прогоните сотню реальных запросов к своей базе на обеих версиях и сравните, какие фрагменты находятся. Общие тесты не скажут, как модель поведёт себя на ваших документах на русском языке.
Источники
- EmbeddingGemma 2 - анонс Google - дата выхода, модальности, контекст, прирост на MTEB Code, оперативная память на телефоне, лимиты на звук, изображения и видео, площадки для скачивания, лицензия
- EmbeddingGemma 2 - руководство разработчика Google - размеры сборок, точность на многоязычных текстах, укорачивание векторов и потеря качества, объём хранения, поддерживаемые инструменты
- Карточка EmbeddingGemma 2 на Hugging Face - параметры по модулям, результаты тестов, инструкции для поиска и классификации, условия скачивания
- Карточка EmbeddingGemma 1 на Hugging Face - контекст, результаты тестов и условия скачивания первой версии
- Обзор EmbeddingGemma - документация Google - параметры первой версии, число языков
С чего начать?
Начните с одной базы документов, по которой сотрудники чаще всего ищут ответы вручную: регламенты, каталог, история заявок. Мы соберём на ней поиск на EmbeddingGemma 2 на вашем сервере, проверим на ваших реальных вопросах и подключим к боту или рабочему чату. Если хотите понять, подойдёт ли модель вашей задаче, напишите нам.