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.

ПоказательEmbeddingGemma 1EmbeddingGemma 2
Параметры308 млн (документация)270 млн текст, 740 млн полная (карточка)
Контекст, токенов2 048 (карточка v1)8 192 (карточка)
Модальноститексттекст, код, изображения, видео, звук (анонс)
MTEB многоязычный v261,15 (карточка v1)61,36 (карточка)
MTEB английский v269,67 (карточка v1)68,46 (карточка)
MTEB Code v168,76 (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

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.