谷歌开源了一个东西，是那些闭源大厂最不愿意放出来的东西。

可能有朋友还记得，去年谷歌曾发布 EmbeddingGemma，一个纯文本嵌入模型，特点是参数小、能跑端侧，但只能处理文本。这一次，谷歌做了更新，把代码、图像、视频、音频全部打通，装进了同一个向量空间里。

这意味着什么？意味着用户不再需要为文本建一套索引、为图片建一套索引、为视频再建一套索引。一套模型可以对所有模态进行统一映射。多模态 RAG 从"理论上可行"变成了"手机上能跑起来"。这是一种突破。

同时，上下文窗口从上一代的 2K ，拉升到了 8K，参数总量达到 740M，其中文本模块约 270M、视觉约为 170M、音频约有 300M。量化以后，在 Pixel 11 Pro 上，纯文本活跃内存约 191MB，全多模态约为 567MB。

这个体量意味着什么？咱们手机里随便一个社交 App 的内存占用，都比它大！

其代码能力也提高了。MTEB Code 从 68.76 到了 78.68，上涨接近 10 分。本地代码索引、语义代码搜索、给编程 Agent 做检索……端侧就能干，不需要到云端。

但是，这个项目真正有意思的，是它在暗示一条路。

你看，医疗、法律、金融、政务这些场景，对数据合规的要求很苛刻对吧，很多数据不能出本地。过去，做检索增强生成时要么接受隐私风险，把数据发到云端，要么从头训练一个模型。

这次升级的EmbeddingGemma 2，提供了一个可以本地部署的检索底座，开源、可审计和量化压缩。

与此同时，相册、网盘、会议记录、安防视频……这里都是多模态数据。嵌入模型能可以同时理解文本、图像、视频、音频，并且在设备上跑。

综上所述，谷歌的这次开源，不光是发了个模型，还是在定义一套端侧多模态检索的基础设施标准。其意义还是很值得关注的。

项目地址：t点cn/AXWkJqGZ作者加速成长计划