Rohan Paul
@rohanpaul_ai
谷歌发布了面向端侧多模态 AI 的 EmbeddingGemma 2，采用 Apache 2.0 许可证
> 把文本、代码、图像、音频和视频放进手机上同一个可搜索的空间。
为手机补上了缺失的一块：一种无需把数据发送到服务器就能理解和搜索你自己内容的方式。
> 7.4 亿参数，采用 Gemma 4 架构。
> 各部分是模块化的，所以纯文本应用只需要 2.7 亿参数，而 1.7 亿参数的视觉编码器和 3 亿参数的音频编码器仅在需要时加载。
> 在 Pixel 11 Pro 上，量化后的文本权重占用约 191MB 活动内存，完整的多模态模型约占 567MB。
> 上下文窗口扩大 4 倍，达到 8K token，足以在一次输入中容纳约 5.5 分钟音频、29 张图像或 58 帧视频。
> 代码搜索提升最大，MTEB Code 得分从 68.76 升至 78.68，而多语言文本得分保持持平。
> 谷歌还声称在音频和视觉基准上取得了 10 亿参数以下模型的最佳成绩，并胜过一些规模是其两倍的专用模型，
