O lançamento
Em 6 de outubro de 2026, o Google DeepMind lançou o EmbeddingGemma 2, um modelo de embeddings multimodal aberto sob licença Apache 2.0 (uso comercial permitido). Ele converte texto, código, imagens, vídeo e áudio, e combinações deles, em vetores num mesmo espaço de 768 dimensões. Assim, dá para buscar um trecho de vídeo a partir de um áudio, ou horas de gravações a partir de uma frase.
O primeiro EmbeddingGemma, só de texto, passou de 20 milhões de downloads, segundo o Google.
Ficha técnica
- 740 milhões de parâmetros no total, baseado na arquitetura Gemma 4.
- Modular: carregue só o que precisa. 270M para texto e código, 440M com visão, 570M com áudio, 740M com tudo. Todas as versões geram vetores compatíveis.
- Contexto de 8.192 tokens para texto e código, em mais de 100 idiomas.
- Matryoshka (MRL): os vetores podem ser truncados para 512, 256 ou 128 dimensões, com até 6x menos armazenamento no banco vetorial e pouca perda de qualidade.
- 14% melhor que o EmbeddingGemma 1 no MTEB (Code), mantendo a qualidade multilíngue.
- Uso via sentence-transformers (v6.1.0+):
SentenceTransformer("google/embeddinggemma-2"). Use bfloat16 ou float32, não float16.
Por que importa
Embeddings são a base de busca semântica e RAG. Até agora, empresas com fotos, vídeos de inspeção, gravações de call center e manuais em PDF precisavam de vários modelos e pipelines separados. Um modelo único, pequeno, que roda em notebook, celular ou CPU, permite:
- Busca multimídia interna: "o vídeo da inspeção em que aparece corrosão na válvula".
- RAG on-device e offline, sem mandar dados sensíveis para a nuvem, o que conta para LGPD e para a lei japonesa APPI.
- Pipelines mais leves: como compartilha tokenizador e encoder de áudio com o Gemma 4, os dois rodam juntos com menos memória.
Cuidados
- Os números de benchmark vêm do Google; teste com seus próprios dados, especialmente em português e japonês.
- Para vídeo, ajuste a amostragem de quadros; vídeos longos custam caro para embedar.
- Truncar para 128 dimensões economiza, mas o Google recomenda isso sobretudo para texto.
- Reindexar tudo ao trocar de modelo de embedding é obrigatório; planeje a migração.
Como começar
- Escolha um caso pequeno (ex.: busca em fotos de manutenção).
- Carregue só os encoders necessários para economizar memória.
- Compare com seu embedding atual em precisão e custo de armazenamento.
- Só então expanda para áudio e vídeo.
Fontes
- Google Blog (2026-10-06): https://blog.google/innovation-and-ai/technology/developers-tools/embeddinggemma-2/
- Google Developers Blog, "EmbeddingGemma 2: The Developer Guide": https://developers.googleblog.com/en/embeddinggemma-2-the-developer-guide/
- EmbeddingGemma 2 model card: https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2
Quer construir busca e RAG multimodal com seus próprios dados? A KGA IT oferece uma consulta gratuita: kga-it.com.