EmbeddingGemma

EmbeddingGemma — открытая модель Google для преобразования текста в числовые векторы. Она вышла 4 сентября 2025 года, содержит 308 млн параметров и обучалась на данных более чем 100 языков. В официальном каталоге весов checkpoint указан как google/embeddinggemma-300m; обозначение размера в названии репозитория округлено. Такие векторы используют как представление документов и запросов в семантическом поиске, тематической группировке и системах поиска с генерацией ответа. Модель не пишет ответ пользователю: она выдаёт embedding, который далее обрабатывает поисковый индекс или приложение.

Как используется текстовый вектор

Поиск по смыслу вместо совпадения слов

Документы и запрос преобразуются одной моделью в векторы, после чего система ранжирует материалы по близости представлений. Это позволяет находить связанные формулировки, классифицировать тексты и собирать похожие документы. Для RAG EmbeddingGemma отвечает только за подготовку представлений и поиск фрагментов; генерацию ответа выполняет другая модель, а корректность найденных источников и контроль доступа остаются задачами приложения.

Размер вектора и длина входа

Можно уменьшить размерность под ограничения индекса

Карточка модели указывает максимальную длину входа 2 000 токенов и стандартное выходное представление размером 768. Благодаря обучению Matryoshka вектор можно сократить до 512, 256 или 128 измерений с последующей нормализацией. Меньшие представления занимают меньше места, но их качество нужно измерять на собственных запросах и документах. Google также описывает запуск с менее чем 200 МБ оперативной памяти при квантовании.

Многоязычный локальный поиск

Модель подходит для устройств с ограниченной памятью

Небольшой размер и более чем 100 языков в обучающих данных делают EmbeddingGemma вариантом для локального поиска и семантической индексации. Это не доказывает одинаковое качество для всех языков и предметных областей: проверьте отдельно русский язык, смешанные документы, код, сокращения и терминологию компании. Для точного поиска задайте отдельные шаблоны запросов и документов, указанные в официальной карточке.

Миграция с другой embedding-модели

Не смешивайте несовместимые векторные пространства

Если индекс уже построен другой моделью, нельзя без проверки сравнивать его векторы с новыми векторами EmbeddingGemma. Для миграции нужно повторно обработать документы и запросы одной моделью, создать новый индекс и измерить релевантность до переключения. Сравните специализированные облачные версии Gemini Embedding 001 и Gemini Embedding 2 по модальностям и условиям доступа.

Связанные модели и разработчик

Страницы семейства Gemma

T5Gemma · Gemma 3 · Gemini Embedding 001 · Gemini Embedding 2 · Google DeepMind в Вики Futuretools

Первичные источники

Документация Google и даты выпусков

страница EmbeddingGemma Google DeepMind · документация EmbeddingGemma · карточка EmbeddingGemma · официальный журнал выпусков Gemma