Google stellt EmbeddingGemma 2 vor: Multimodale Einbettungen in einem Vektorraum

X-PostMiaAnkündigung

Google hat EmbeddingGemma 2 veröffentlicht. Das Modell vereint Text, Code, Bild, Video und Audio in einem gemeinsamen Vektorraum, wiegt nur 1,49 GB und steht unter der Apache-2.0-Lizenz.

Das Wichtigste

  1. EmbeddingGemma 2 bildet Text, Code, Bilder, Videos und Audio in einem einzigen gemeinsamen Vektorraum ab.
  2. Bisherige Workflows für multimodales RAG benötigten separate Transkriptions- oder Captioning-Schritte vor dem Text-Embedding; diese Zwischenschritte entfallen nun.
  3. Anwendungsbeispiele umfassen das Durchsuchen von Videoclips mittels Sprachmemos oder das Auffinden von Audiopassagen per Textabfrage.
  4. Die Modellgewichte sind mit 1,49 GB kompakt gehalten und als Open Weights auf Hugging Face verfügbar.
  5. Google stellt das Modell unter der permissiven Apache-2.0-Lizenz bereit, was auch den kommerziellen Einsatz erlaubt.

Warum das relevant ist

Bisherige multimodale RAG-Pipelines erforderten fehleranfälligen Glue-Code und Zwischenmodelle für Captioning oder Transkription. Ein nativer, multimodaler Vektorraum vereinfacht Architekturen erheblich. Durch das geringe Modellgewicht von unter 1,5 GB eignet sich EmbeddingGemma 2 zudem für lokale Deployments und direkte Ausführung auf Endgeräten.

Einordnung

Mia hebt hervor, dass EmbeddingGemma 2 herkömmliche RAG-Architekturen ablösen kann. Bisher wurde Multimodalität oft nur durch Umwandlung von Bild oder Ton in Text simuliert. Die Kombination aus fünf Modalitäten in einem Modell, der Open-Source-Lizenzierung unter Apache 2.0 und der kompakten Dateigröße macht das Modell besonders interessant für Entwickler von Agent-Systemen und datenschutzorientierten On-Device-Anwendungen.

Original-Post

Mia

@MiaAI_lab · 6. Oktober 2026

Google launched EmbeddingGemma 2 🔥 This is a bigger than you think. Most people build multimodal RAG as caption/transcribe, and then to text embedder. But EmbeddingGemma 2 puts text, code, images, video, and audio into ONE shared vector space, so you can query a voice memo t.co/O03JTlwtVK

858 Likes36 Antworten684 Lesezeichen37.003 Aufrufe

Auf X ansehen
Weitere Posts im Thread (2)
  1. @niklaslenz_ai Yeah it's insane tbh
  2. btw the model weights only 1.49 GB !
Ausgewählte Antworten (5)
  • @niklaslenz_ai @MiaAI_lab For that size, pretty impressive.
  • @brnsantanna @MiaAI_lab A multi modal embeddings open source model is indeed valuable!
  • @mrfokki @MiaAI_lab one vector space for text, code, audio and video quietly kills a lot of ugly glue code
  • @MichaelHutu @MiaAI_lab the size of it 👀
  • @JulianPscheid @MiaAI_lab 100% Agree. I think this is the model we were waiting for to allow users to upload files and images into @HedyAI_ without the files leaving their local device.

Erwähnte Links

Links und Tools aus diesem Beitrag

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 7. Oktober 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • X-Post:Xuan-Son Nguyen

    Open-Source-Such-App für macOS nutzt EmbeddingGemma 2 und llama.cpp

    Xuan-Son Nguyen stellt ein neues Open-Source-Projekt aus der Reddit-Community vor: Eine Desktop-Suchanwendung für macOS, die auf dem Modell EmbeddingGemma 2 basiert und lokal via llama.cpp läuft.

    154Lesezeichen11.881Aufrufe

    KI & AI· Tool

  • Artikel:Nikita Pavlichenko

    JetBrains veröffentlicht Mellum2: 12B Mixture-of-Experts-Modell für Code und Text

    JetBrains hat Mellum2 vorgestellt, ein von Grund auf trainiertes Mixture-of-Experts-Modell mit insgesamt 12 Milliarden Parametern. Das Modell aktiviert pro Token lediglich 2,5 Milliarden Parameter, läuft unter der Apache-2.0-Lizenz und zielt auf latenzkritische Aufgaben in Entwicklungs- und KI-Pipelines ab.

    KI & AI· Ankündigung

  • X-Post:Xuan-Son Nguyen

    Lokale Desktop-Suche auf Basis von EmbeddingGemma 2 und llama.cpp

    Ein auf Reddit vorgestelltes Suchwerkzeug nutzt das EmbeddingGemma 2-Modell über llama.cpp, um lokale Dateien unter macOS semantisch zu durchsuchen. Xuan-Son Nguyen hebt hervor, dass die Anwendung deutlich präzisere Ergebnisse liefere als Apples Standard-Spotlight.

    2279Lesezeichen260.298Aufrufe

    KI & AI· Tool

  • Artikel:Ju-yeong Ji, Ravin Kumar

    Gemma 3: Architektur, Multimodalität und Neuerungen im Detail

    Google erklärt die Neuerungen in Gemma 3. Die Modellreihe bringt Vision-Language-Funktionen, längere Kontextfenster, einen überarbeiteten Tokenizer sowie architektonische Anpassungen für effizientere KV-Cache-Nutzung.

    KI & AI· Sammlung

  • Repository:google-ai-edge/LiteRT-LM

    LiteRT-LM: Googles Open-Source-Inferenz-Framework für On-Device-LLMs

    LiteRT-LM ist ein Open-Source-Framework von Google zur plattformübergreifenden Ausführung großer Sprachmodelle direkt auf Edge-Geräten. Die Software nutzt Hardwarebeschleunigung über GPU und NPU und treibt On-Device-KI-Funktionen in Chrome, Pixel Watch und Chromebook Plus an.

    6375SterneC++

    KI & AI· Tool

Zurück zur Wissensbasis

Lassen Sie uns über Ihr Projekt sprechen

Kontakt aufnehmen

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Dieser Inhalt wurde teilweise mithilfe von KI erstellt.