Google DeepMind udostępnił 6 października 2026 r. EmbeddingGemma 2, otwarty model o 740 mln parametrów, który zamienia tekst, kod, obrazy, nagrania wideo i audio na wektory w jednej wspólnej przestrzeni i działa bezpośrednio na smartfonie. Według Google pełna wersja multimodalna zajmuje na Pixelu 11 Pro około 567 MB pamięci RAM, a sam moduł tekstowy około 191 MB.
- Google DeepMind udostępnił 6 października 2026 r. EmbeddingGemma 2 – otwarty model o 740 mln parametrów na licencji Apache 2.0, który zamienia tekst, kod, obrazy, wideo i audio na wektory w jednej wspólnej 768-wymiarowej przestrzeni i może działać lokalnie na smartfonie bez połączenia z chmurą.
- W teście MTEB Code wynik EmbeddingGemma 2 wzrósł do 78,68 pkt wobec 68,76 pkt pierwszej wersji modelu, jednak Google nie ujawnia, z jakimi konkretnymi modelami konkurencji EmbeddingGemma 2 była porównywana w pozostałych kategoriach.
- Na smartfonie Pixel 11 Pro pełna wersja multimodalna zajmuje około 567 MB pamięci RAM, a wersja wyłącznie tekstowa około 191 MB; skrócenie wektorów do 128 wymiarów za pomocą techniki Matryoshka Representation Learning obniża zbiorczy wynik w teście MMEB v2 z 59,01 do 45,65 pkt.
Poprzednik, EmbeddingGemma z września 2025 r., obsługiwał wyłącznie tekst. Druga wersja wychodzi na licencji Apache 2.0, co oznacza, że można jej używać w produktach komercyjnych bez opłat licencyjnych.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
EmbeddingGemma 2 łączy pięć rodzajów danych w jednym modelu
EmbeddingGemma 2 jest modelem osadzeń (embeddingów), czyli narzędziem, które zamienia treść na ciąg liczb tak, aby podobne znaczeniowo rzeczy znalazły się blisko siebie. Na tej zasadzie działają wyszukiwarki semantyczne, systemy RAG (retrieval-augmented generation, generowanie odpowiedzi wspomagane wyszukiwaniem w dokumentach), grupowanie dokumentów i klasyfikacja treści.
Nowością jest to, że jeden model EmbeddingGemma 2 umieszcza tekst, kod, obrazy, wideo i dźwięk w tej samej 768-wymiarowej przestrzeni wektorowej. Dzięki temu zapytanie w jednej formie może znaleźć wynik w innej. Google podaje dwa przykłady: odnalezienie konkretnego fragmentu filmu na podstawie notatki głosowej oraz przeszukanie wielogodzinnych nagrań audio zwykłym zapytaniem tekstowym.
Model przyjmuje też dane mieszane. W karcie modelu Google pokazuje opis produktu złożony z tekstu, dwóch zdjęć i krótkiego filmu, z którego powstaje jeden wektor. Taki wektor można potem porównać z prostym zapytaniem w rodzaju „wodoodporne buty do biegania w terenie”.
EmbeddingGemma 2 w liczbach
Dane techniczne pochodzą z karty modelu i komunikatu Google DeepMind:
- 740 mln parametrów łącznie, w tym 270 mln w rdzeniu tekstowym (130 mln w transformerze i 140 mln w warstwie embeddingów), 170 mln w koderze obrazu i 300 mln w koderze dźwięku,
- architektura Gemma 4, czyli rodziny otwartych modeli, którą Google wypuścił w kwietniu 2026 r.,
- okno kontekstu 8192 tokenów, cztery razy większe niż w pierwszej wersji; mieści około 29 obrazów, 58 klatek wideo albo około 5,5 minuty audio,
- ponad 100 obsługiwanych języków, przy danych treningowych obejmujących ponad 140 języków i zebranych do stycznia 2025 r.,
- wektory skracane z 768 do 512, 256 lub 128 wymiarów dzięki technice Matryoshka Representation Learning (MRL), co daje do sześciu razy mniejsze bazy wektorowe.
Kodery obrazu i dźwięku są modułowe i ładuje się je tylko wtedy, gdy są potrzebne. Aplikacja, która przeszukuje wyłącznie tekst i kod, korzysta z 270 mln parametrów. Wersja z obrazem ma 440 mln, z dźwiękiem 570 mln, a pełna 740 mln. Wszystkie konfiguracje zapisują wektory w tej samej przestrzeni, więc indeks zbudowany na samym tekście pozostaje zgodny, gdy później dojdą zdjęcia.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Największy skok EmbeddingGemma 2 dotyczy wyszukiwania kodu
Google DeepMind porównuje EmbeddingGemma 2 tylko z poprzednią wersją własnego modelu. W teście MTEB Code wynik wzrósł z 68,76 do 78,68 pkt, czyli o 9,92 pkt. W wielojęzycznym teście tekstowym MTEB obie wersje wypadają niemal identycznie.
| Test | EmbeddingGemma 2 | EmbeddingGemma 1 |
|---|---|---|
| MTEB, wielojęzyczny v2 (tekst) | 61,36 | 61,15 |
| MTEB Code v1 (kod) | 78,68 | 68,76 |
| MIEB lite (obraz) | 64,64 | brak obsługi |
| MMEB v2, dokumenty wizualne | 67,84 | brak obsługi |
| MMEB v2, wideo | 50,67 | brak obsługi |
| MAEB (audio) | 49,39 | brak obsługi |
Google przekonuje, że EmbeddingGemma 2 osiąga najlepsze wyniki wśród multimodalnych modeli embeddingów poniżej miliarda parametrów w testach takich jak MTEB Code i MAEB (Massive Audio Embedding Benchmark) oraz że wyprzedza niektóre wyspecjalizowane modele ponad dwukrotnie większe. Ani komunikat, ani karta modelu nie podają jednak, z jakimi konkretnie modelami EmbeddingGemma 2 była porównywana. Wyniki dla obrazu, wideo i dźwięku nie mają więc na razie publicznego punktu odniesienia.
Poprawa w wyszukiwaniu kodu ma praktyczne zastosowanie. Google wskazuje lokalne indeksowanie repozytoriów, semantyczne wyszukiwanie kodu i dostarczanie kontekstu agentom programistycznym, które przed edycją pliku muszą najpierw znaleźć właściwe miejsce w projekcie.
Podoba mi się ta premiera bardziej niż kolejny duży model językowy, bo dotyczy warstwy, o której mało kto mówi, a od której zależy jakość niemal każdego asystenta. Chatbot odpowiadający na pytania o firmowe dokumenty jest tak dobry, jak dobrze znajduje właściwy fragment. Jeśli to wyszukiwanie może działać na telefonie lub laptopie, bez wysyłania plików do chmury, zmienia się rachunek ryzyka dla każdego, kto pracuje na danych klientów.
Mam jednak dwie wątpliwości. Pierwsza: Google chwali się prowadzeniem w swojej kategorii, ale nie pokazuje, kogo wyprzedza. Dopóki niezależne rankingi nie postawią EmbeddingGemma 2 obok konkurentów, traktuję te deklaracje ostrożnie. Druga: lokalne przetwarzanie nie załatwia sprawy prywatności automatycznie. Model, który potrafi przeszukać godziny nagrań głosowych i znaleźć konkretny moment w filmie, równie dobrze nada się do porządkowania materiałów, których nikt nie powinien porządkować. Pytanie brzmi więc nie tylko „czy dane zostają na urządzeniu”, ale też „czyje to dane i kto zbudował indeks”.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
EmbeddingGemma 2 na telefonie: 191 MB dla tekstu, 567 MB dla całości
Google zmierzył zużycie pamięci EmbeddingGemma 2 po kwantyzacji na smartfonie Pixel 11 Pro. Wersja tekstowa potrzebuje około 191 MB aktywnej pamięci RAM, a pełny model multimodalny około 567 MB. Dla porównania pierwsza EmbeddingGemma, o 308 mln parametrów, mieściła się po kwantyzacji w mniej niż 200 MB.
Skracanie wektorów ma swoją cenę. Według karty modelu jakość pozostaje bliska pełnej do 256 wymiarów, ale przy 128 wymiarach wynik zbiorczy w multimodalnym teście MMEB v2 spada z 59,01 do 45,65 pkt. Google zaleca więc najkrótsze wektory tylko do zadań czysto tekstowych.
Karta modelu zawiera też dwa ostrzeżenia dla programistów, które łatwo przeoczyć:
- model nie działa poprawnie w precyzji float16 i zamiast błędu zwraca wartości NaN albo po cichu pogorszone wektory; Google zaleca bfloat16 lub float32,
- zapytania i dokumenty muszą mieć tę samą liczbę wymiarów, a po skróceniu wektor trzeba ponownie znormalizować.
Google przyznaje również, że mimo obsługi ponad 100 języków EmbeddingGemma 2 nie musi działać równie dobrze w każdym z nich.
Licencja Apache 2.0 i wsparcie popularnych narzędzi od pierwszego dnia
EmbeddingGemma 2 jest dostępna do pobrania na Hugging Face i Kaggle. Dostępność w Model Garden platformy Gemini Enterprise Agent Platform Google zapowiada jako „wkrótce”. Model od dnia premiery obsługują m.in. sentence-transformers, transformers, vLLM, llama.cpp, SGLang, Ollama, LM Studio i MLX, a w przeglądarce transformers.js i WebGPU. Do przechowywania wektorów Google wskazuje bazę Qdrant, a firma Unsloth opublikowała instrukcję dostrajania modelu.
Pierwsza EmbeddingGemma przekroczyła według Google 20 mln pobrań. Autorzy komunikatu, Sahil Dua i Henrique Schechter Vera, inżynierowie badawczy Google DeepMind, piszą: „Reakcja społeczności deweloperów przerosła nasze oczekiwania” / „The developer community’s response blew past our expectations.”
Google pozycjonuje EmbeddingGemma 2 jako lokalne uzupełnienie Gemini Embedding 2, czyli multimodalnego modelu embeddingów dostępnego w chmurze przez API. Ponieważ EmbeddingGemma 2 dzieli z Gemma 4 tokenizer tekstu i koder audio, oba modele mogą działać w jednym potoku na urządzeniu: Gemma 4 odpowiada i rozumuje, EmbeddingGemma 2 wyszukuje. Przykłady takich zastosowań Google pokazuje w aplikacjach Google AI Edge Gallery (wyszukiwanie w bibliotece multimediów i odnajdywanie momentów w wideo) oraz Google AI Edge Foresight.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Polscy deweloperzy muszą sami sprawdzić, jak EmbeddingGemma 2 radzi sobie z polszczyzną
Google nie publikuje osobnych wyników EmbeddingGemma 2 dla języka polskiego, a karta modelu nie wymienia polszczyzny z nazwy. Uwaga o nierównej jakości w różnych językach oznacza, że polskie firmy budujące wyszukiwarki lub systemy RAG na polskich dokumentach powinny przetestować model na własnych danych, zanim zastąpią nim dotychczasowe rozwiązanie.
Polscy badacze mają do tego gotowe narzędzie. Rafał Poświata, Sławomir Dadas i Michał Perełkiewicz z Ośrodka Przetwarzania Informacji – Państwowego Instytutu Badawczego (OPI PIB) opracowali PL-MTEB, polską wersję benchmarku MTEB. Obejmuje on 30 zadań w pięciu kategoriach, m.in. wyszukiwanie informacji, klasyfikację i grupowanie tekstów. Pracę zaprezentowano w Findings of ACL 2026, a kod i zbiory danych są publicznie dostępne. Ten sam zespół rozwija też serię polskich modeli embeddingów MMLW.
Lokalne działanie modelu ma też wymiar prawny. Firmy przetwarzające dane osobowe klientów zgodnie z RODO mogą budować wyszukiwanie semantyczne bez przekazywania dokumentów do zewnętrznego API, co upraszcza ocenę ryzyka. Nie zwalnia to jednak z obowiązków dotyczących samego przetwarzania danych.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym oficjalnego komunikatu Google: EmbeddingGemma 2: an open, lightweight multimodal embedding model z dnia 06.10.2026 oraz karty modelu EmbeddingGemma 2 i przewodnika dla deweloperów na Google Developers Blog. Polski kontekst: publikacja PL-MTEB: Polish Massive Text Embedding Benchmark (Findings of ACL 2026). Do weryfikacji wykorzystano także publikacje Unite.AI i OfficeChai.
Cytat Sahila Dui i Henrique Schechtera Very, inżynierów badawczych Google DeepMind, został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji w temacie EmbeddingGemma 2 i niezależnych porównań lokalnych modeli embeddingów.
