گوگل مدل EmbeddingGemma 2 را برای جست‌وجوی چندرسانه‌ای منتشر کرد

مدل EmbeddingGemma 2، مدل باز تازه گوگل برای تبدیل متن، تصویر، ویدئو، صوت و کد به بردارهای عددی است؛ روشی که به نرم‌افزارها کمک می‌کند محتوای مشابه را پیدا و با هم مقایسه کنند. گوگل می‌گوید این مدل با ۷۴۰ میلیون پارامتر، در بنچمارک‌های چندرسانه‌ای از مدل‌های رقیب تا دو برابر بزرگ‌تر عملکرد بهتری دارد. اهمیت ادعای گوگل فقط در مقایسه نتایج نیست: این شرکت می‌گوید مدل را می‌توان بدون کلید API و روی دستگاه محلی اجرا کرد.

مدل EmbeddingGemma 2 چگونه کار می‌کند؟

EmbeddingGemma 2 از خانواده مدل‌های تعبیه‌سازی یا embedding است. این مدل‌ها ورودی‌هایی مانند یک جمله یا تصویر را به مجموعه‌ای از اعداد، موسوم به بردار، تبدیل می‌کنند. در این نمایش عددی، محتوای دارای معنای نزدیک معمولاً بردارهای نزدیک‌تری دارد؛ بنابراین یک سامانه می‌تواند به‌جای جست‌وجوی صرفاً واژه‌به‌واژه، موارد مرتبط را هم بازیابی کند.

گوگل می‌گوید EmbeddingGemma 2 از چند نوع داده پشتیبانی می‌کند: متن، تصویر، ویدئو، صوت و کد. در نتیجه، کاربرد آن محدود به جست‌وجوی متنی نیست و می‌تواند برای مقایسه یا بازیابی محتوای چندرسانه‌ای نیز به کار رود. بااین‌حال، اطلاعات منتشرشده در گزارش درباره وظایف دقیق بنچمارک‌ها یا میزان برتری مدل در هر نوع داده جزئیات بیشتری ارائه نمی‌کند.

گوگل این مدل را با ۷۴۰ میلیون پارامتر معرفی کرده است. پارامترها مقادیر قابل‌آموزشی هستند که در عملکرد مدل نقش دارند؛ تعداد کمتر آن‌ها معمولاً به معنای مدلی کوچک‌تر است، اما به‌تنهایی کیفیت یا سرعت را تعیین نمی‌کند. گوگل مدل را جمع‌وجورترین نمونه از نوع خود توصیف می‌کند و ادعای برتری در برابر مدل‌هایی تا دو برابر بزرگ‌تر را به نتایج بنچمارک‌های چندرسانه‌ای نسبت می‌دهد.

اجرای محلی و نیاز سخت‌افزاری

یکی از ویژگی‌های برجسته‌ای که گوگل برای EmbeddingGemma 2 مطرح کرده، امکان اجرا بدون API است. API راهی است که نرم‌افزارها از طریق آن به یک سرویس بیرونی درخواست می‌فرستند؛ در مقابل، اجرای محلی یعنی پردازش روی دستگاه کاربر یا زیرساختی که خود او کنترل می‌کند. به گفته گوگل، اجرای محلی می‌تواند پردازش را بدون نیاز به کلید API ممکن کند.

گوگل زمان هر پرس‌وجو را در اجرای مرورگری با WebGPU حدود ۲۰ تا ۷۰ میلی‌ثانیه اعلام کرده است. WebGPU فناوری‌ای برای استفاده از توان پردازشی دستگاه در مرورگر است. این عدد، طبق توضیحات منتشرشده، به اجرای مدل از این مسیر مربوط می‌شود و نباید آن را بدون توجه به دستگاه و شرایط اجرا، تضمینی برای همه کاربران دانست.

نیاز حافظه اعلام‌شده برای مدل حدود ۱۹۱ مگابایت RAM است. گوگل همچنین می‌گوید استفاده از آن می‌تواند فضای ذخیره‌سازی پایگاه داده برداری محلی را تا شش برابر کاهش دهد. پایگاه داده برداری، مجموعه‌ای از بردارها را نگه می‌دارد تا سامانه هنگام دریافت پرس‌وجو، محتوای نزدیک به آن را پیدا کند. کاهش حجم چنین پایگاهی می‌تواند برای پروژه‌هایی که روی دستگاه یا با محدودیت فضای ذخیره‌سازی اجرا می‌شوند مفید باشد.

نسخه متنی و کاربرد در ابزارهای RAG

برای کارهایی که فقط با متن سروکار دارند، گوگل نسخه‌ای کوچک‌تر با ۲۷۰ میلیون پارامتر را کافی می‌داند. این گزینه می‌تواند برای توسعه‌دهندگانی مناسب باشد که به قابلیت‌های چندرسانه‌ای نیاز ندارند و می‌خواهند مدل سبک‌تری را بررسی کنند. جزئیات دیگری درباره تفاوت عملکرد دو نسخه در اطلاعات ارائه‌شده ذکر نشده است.

گوگل همچنین به ترکیب EmbeddingGemma 2 با مدل‌های باز کوچک مانند Gemma 4 اشاره می‌کند. چنین ترکیبی می‌تواند برای ساخت برنامه‌های RAG آفلاین به کار رود. RAG یا «تولید تقویت‌شده با بازیابی» روشی است که در آن سامانه پیش از تولید پاسخ، اطلاعات مرتبط را از یک مجموعه داده پیدا می‌کند و در اختیار مدل می‌گذارد. EmbeddingGemma 2 در این روند می‌تواند به یافتن محتوای مرتبط کمک کند؛ مدل زبانی دیگر در مرحله پاسخ‌گویی به کار می‌آید.

طبق اعلام گوگل، اجرای این برنامه‌ها به‌صورت آفلاین ممکن است داده‌ها را از ارسال به سرورهای بیرونی بی‌نیاز کند. این نکته برای پروژه‌هایی که می‌خواهند پردازش را محلی نگه دارند اهمیت دارد، اما به‌خودی‌خود تضمین‌کننده امنیت یا محرمانگی کامل یک برنامه نیست؛ نتیجه به نحوه پیاده‌سازی کل سامانه نیز بستگی دارد.

دسترسی توسعه‌دهندگان به مدل

وزن‌های EmbeddingGemma 2 در Hugging Face و Kaggle منتشر شده‌اند و گوگل راهنمای توسعه‌دهندگان و مستندات مدل را نیز در دسترس قرار داده است. وزن‌ها اجزای آموخته‌شده مدل‌اند که برای اجرای آن استفاده می‌شوند. انتشار آن‌ها به توسعه‌دهندگان امکان می‌دهد مدل را دریافت و در پروژه‌های خود بررسی کنند؛ جزئیات مجوز استفاده در اطلاعات گزارش‌شده مشخص نشده است.

در مجموع، معرفی EmbeddingGemma 2 بر دو محور متمرکز است: پشتیبانی از چند نوع داده و امکان اجرای محلی با نیاز حافظه اعلام‌شده پایین. ادعای برتری در بنچمارک‌ها نیز بخشی از معرفی گوگل است، اما بدون جزئیات بیشتر درباره مجموعه‌های آزمون و روش مقایسه، نمی‌توان میزان برتری را به همه کاربردها تعمیم داد.

این خبر برای چه کسانی اهمیت دارد

EmbeddingGemma 2 برای توسعه‌دهندگانی اهمیت دارد که ابزارهای جست‌وجو، بازیابی اطلاعات یا برنامه‌های RAG می‌سازند و می‌خواهند پردازش را روی دستگاه محلی انجام دهند. پشتیبانی از متن، تصویر، ویدئو، صوت و کد می‌تواند برای پروژه‌هایی که با چند قالب داده سروکار دارند مفید باشد؛ نسخه ۲۷۰ میلیون‌پارامتری نیز گزینه‌ای برای کاربردهای متنی معرفی شده است. برای ارزیابی عملی مدل، توسعه‌دهندگان باید ادعاهای عملکرد و نیاز منابع را در محیط و داده‌های موردنظر خود بسنجند.