EmbeddingGemma 2:让文字、图片和声音可以互相检索
这类模型负责把内容变成向量,适合素材库与本地检索。
本站编译 · 原文日期 2026-10-06 · Google DeepMind
它解决的是找内容
Google DeepMind 发布 EmbeddingGemma 2,将文字、代码、图片、视频和音频放入共同的向量空间。这样,文字查询有机会找到相关音频片段,语音描述也可以成为视频检索入口。
按任务裁剪能力
官方设计允许按需选择文字、视觉和音频组件,也支持缩短输出向量维度。在素材库里,这意味着存储空间、检索精度和设备开销可以一起权衡。
一个实际的起步方向
从一小批带来源和时间戳的素材开始,手工准备若干查询,观察正确片段能否进入前几个结果。向量相近只表示检索相关性,内容里的事实仍需要回到原文判断。
原始标题:EmbeddingGemma 2: an open, lightweight multimodal embedding model
来源:Google DeepMind