گوگل EmbeddingGemma 2 را برای جست‌وجوی چندرسانه‌ای روی گوشی عرضه کرد

مدل EmbeddingGemma 2 گوگل، جست‌وجوی متن، تصویر، صدا و ویدئو را در یک فضای مشترک ممکن می‌کند و به‌اندازه‌ای کوچک است که بتوان آن را روی گوشی اجرا کرد. این مدل که گوگل روز سه‌شنبه منتشر کرد، می‌تواند کاربردهایی بسازد که داده‌ها را برای یافتن محتوای مرتبط از دستگاه خارج نمی‌کنند؛ برای نمونه، پیدا کردن بخش متناظر یک یادداشت صوتی در ویدئو.

EmbeddingGemma 2 نسخه تازه خانواده مدل‌های EmbeddingGemma است. نسخه نخست که گوگل در سپتامبر ۲۰۲۵ معرفی کرد، فقط با متن کار می‌کرد. اکنون برنامه‌ها می‌توانند از یک مدل برای جست‌وجو میان چند نوع داده استفاده کنند؛ قابلیتی که در اصطلاح فنی «embedding چندوجهی» نام دارد. embedding یا بردارسازی، تبدیل محتوا به فهرستی از اعداد است تا نرم‌افزار بتواند شباهت و ارتباط میان داده‌ها را محاسبه کند.

مدل EmbeddingGemma 2 و جست‌وجوی چندرسانه‌ای

به گفته گوگل، داده‌های متنی، تصویری، صوتی و ویدئویی در EmbeddingGemma 2 به یک فضای برداری مشترک نگاشت می‌شوند. در چنین ساختاری، برنامه می‌تواند با یک ورودی، محتوایی از نوع دیگر را پیدا کند؛ مثلاً کاربر درباره صحنه‌ای با صدای خود پرس‌وجو کند یا با نوشتن عبارت، بخشی از یک ویدئو را بیابد.

گوگل این قابلیت را در برنامه آزمایشی AI Edge Gallery با ویژگی Video Moments Finder نشان داده است. این ابزار می‌تواند با پرس‌وجوی متنی یا گفتاری، یک صحنه را درون ویدئو پیدا کند. گوگل همچنین اعلام کرده برنامه نشست‌های AI Edge Foresight برای Mac، از این مدل در کنار Gemma 4 استفاده می‌کند.

اجرای محلی مدل می‌تواند در کاربردهایی که محتوا روی خود دستگاه جست‌وجو می‌شود، به حفظ داده‌ها در همان دستگاه کمک کند. این تفاوت برای برنامه‌هایی مانند یادداشت‌برداری صوتی یا جست‌وجو در مجموعه‌ای از ویدئوها مهم است؛ هرچند کارکرد نهایی به نحوه پیاده‌سازی برنامه نیز بستگی دارد.

اندازه مدل و هزینه ذخیره‌سازی

EmbeddingGemma 2 بر پایه معماری Gemma 4 ساخته شده و در نسخه کامل ۷۴۰ میلیون پارامتر دارد؛ بیش از دو برابر نسخه نخست. بخش عمده افزایش اندازه به رمزگذارهای تصویر و صدا مربوط است. رمزگذار بخشی از مدل است که ورودی‌هایی مانند تصویر یا صدا را به قالب قابل‌پردازش تبدیل می‌کند. به گفته گوگل، برنامه‌هایی که فقط با متن کار می‌کنند می‌توانند این بخش‌ها را کنار بگذارند.

هسته متنی مدل ۲۷۰ میلیون پارامتر دارد. گوگل در آزمایش خود، نسخه کمّی‌سازی‌شده این هسته را روی گوشی Google Pixel 11 Pro اجرا کرد و مصرف حافظه را حدود ۱۹۱ مگابایت اندازه گرفت. کمّی‌سازی روشی برای کاهش دقت عددی پارامترهاست که می‌تواند مصرف حافظه را کم کند.

خود مدل تنها بخشی از نیاز ذخیره‌سازی برنامه است. برنامه باید embeddingهای تولیدشده را نیز نگه دارد: هر تصویر، ویدئو یا سندی که فهرست می‌شود، برداری دیگر به پایگاه داده محلی اضافه می‌کند. گوگل می‌گوید هر بردار در حالت کامل ۷۶۸ عدد دارد. روش آموزشی Matryoshka Representation Learning به توسعه‌دهندگان اجازه می‌دهد این بردار را تا ۱۲۸ عدد کوتاه کنند و فضای موردنیاز را تا شش برابر کاهش دهند. طبق راهنمای توسعه‌دهندگان گوگل، در اندازه ۲۵۶ عدد، بازیابی تصویر، ویدئو و گفتار حدود ۹۵ درصد کیفیت حالت کامل را حفظ می‌کند.

نتایج معیارسنجی و کاربرد برای کدنویسی

بزرگ‌ترین بهبود ثبت‌شده در آزمون‌های گوگل به بخش کدنویسی مربوط است. EmbeddingGemma 2 در بخش کد معیار Massive Text Embedding Benchmark امتیاز ۷۸٫۶۸ گرفته که نزدیک به ۱۰ امتیاز بالاتر از نسخه نخست است. گوگل این نتیجه را برای توسعه‌دهندگانی برجسته کرده که قابلیت بازیابی اطلاعات را به عامل‌های کدنویسی اضافه می‌کنند؛ این قابلیت به عامل کمک می‌کند قطعه کد یا اطلاعات مرتبط را از میان داده‌های موجود پیدا کند.

در مقابل، گوگل می‌گوید امتیازهای متن چندزبانه مدل تغییر چشمگیری نکرده است. این شرکت همچنین مدعی شده EmbeddingGemma 2 در میان مدل‌های embedding چندوجهی با کمتر از یک میلیارد پارامتر، نتایج پیشرو دارد و در برخی وظایف تصویر، ویدئو و صدا از مدل‌های تخصصی بیش از دو برابر بزرگ‌تر بهتر عمل می‌کند. این ارزیابی‌ها ادعاهای گوگل درباره عملکرد مدل هستند.

انتشار وزن‌ها و سازگاری با ابزارها

وزن‌های EmbeddingGemma 2 هم‌اکنون در Hugging Face و Kaggle در دسترس‌اند. گوگل آن را با مجوز Apache 2.0 منتشر کرده؛ مجوزی که استفاده تجاری را نیز مجاز می‌داند. این انتشار می‌تواند به توسعه‌دهندگان امکان دهد مدل را در برنامه‌های خود به کار بگیرند و آن را با ابزارهای موجود اجرا کنند.

گوگل اعلام کرده مدل به‌زودی در Model Garden پلتفرم Gemini Enterprise Agent Platform نیز ارائه می‌شود. وزن‌های منتشرشده در حال حاضر با ابزارهای متن‌باز میزبانی و اجرا، از جمله vLLM، llama.cpp و Ollama، سازگارند.

از دیگر نکات فنی، اشتراک‌گذاری توکن‌ساز متنی و رمزگذار صوتی با Gemma 4 است. توکن‌ساز متن را به واحدهایی تبدیل می‌کند که مدل می‌تواند پردازش کند. به گفته گوگل، استفاده هم‌زمان از EmbeddingGemma 2 و Gemma 4 در یک سامانه تولید تقویت‌شده با بازیابی، یا RAG، حافظه کمتری از اجرای دو مدل نامرتبط نیاز دارد. RAG روشی است که در آن مدل هنگام پاسخ‌گویی، اطلاعات مرتبط را از یک مجموعه داده بازیابی می‌کند.

این خبر برای چه کسانی اهمیت دارد

EmbeddingGemma 2 برای توسعه‌دهندگانی اهمیت دارد که می‌خواهند جست‌وجو را به برنامه‌های صوتی، تصویری و ویدئویی اضافه کنند، به‌ویژه اگر اجرای مدل روی خود دستگاه یا کاهش نیاز به ذخیره‌سازی برایشان مهم باشد. بهبود امتیاز کد نیز آن را برای سازندگان عامل‌های کدنویسی قابل‌توجه می‌کند. انتشار وزن‌ها با مجوز تجاری و پشتیبانی از ابزارهای متن‌باز، مسیر آزمودن مدل را برای تیم‌های توسعه باز می‌گذارد.