Google DeepMind 於 2026 年 10 月 6 日推出 EmbeddingGemma 2，作為純文字嵌入模型 EmbeddingGemma 的多模態後繼版本。它以 Gemma 4 為基礎，目標是讓不同類型的內容能在同一個向量空間中比對，也能部署在裝置端，不必完全仰賴雲端服務。12

簡單來說，嵌入模型會把內容轉換成代表語意的數值向量，讓應用程式能依照「意思是否相近」來搜尋或整理資料。EmbeddingGemma 2 的主要變化，是把這種能力從文字擴展到多種媒體。

• 授權與模型規模： EmbeddingGemma 2 有 7.4 億個參數，採用 Apache 2.0 授權。前代 EmbeddingGemma 於 2025 年 9 月推出，有 3.08 億個參數，並以 Gemma 3 為基礎。134
• 支援媒體與共用向量空間： 新模型可處理文字與程式碼、圖片、影片、音訊，以及這些媒體的組合。模組化編碼器會把不同輸入映射至共用的 768 維向量空間，因此應用程式可直接比較文字查詢與圖片或音訊內容，不必串接多套嵌入模型。開發者可以只載入所需編碼器；依配置不同，模型規模約為 2.7 億至 7.4 億個參數。15
• 上下文長度與向量尺寸： 新模型據報支援 8,000 個 token 的上下文，約為前代 2,000 個 token 的四倍。兩代模型都能使用較短的輸出向量，不必固定採用完整的 768 維；前代明確支援 128 至 768 維。46
• 效能與記憶體： Google 稱新模型以自身規模來看表現領先，但目前可用資料不足以對新舊兩代作出可靠的數值化基準測試比較。據報，在特定量化設定下，裝置端記憶體用量約為純文字配置 191 MB、完整多模態配置 567 MB；這些數字取決於配置與測試條件，不能視為所有裝置上的固定需求。267
• 應用情境與限制： 多模態能力可用於在本機搜尋筆記、照片、錄音與影片，也能支援檢索增強生成（RAG）等應用。不過，共用向量空間本身不會判斷搜尋結果是否安全、正確或合適；應用仍須自行處理敏感內容與錯誤匹配等問題。28
• 目前可用情況： Google 的開發者資料與 Hugging Face 模型頁面目前已列出相關模型資訊。至於其他後續發布管道或整合計畫，現有來源不足以確認具體時程。158

Google DeepMind 於 2026 年 10 月 6 日推出 EmbeddingGemma 2，作為純文字嵌入模型 EmbeddingGemma 的多模態後繼版本。它以 Gemma 4 為基礎，目標是讓不同類型的內容能在同一個向量空間中比對，也能部署在裝置端，不必完全仰賴雲端服務。12

簡單來說，嵌入模型會把內容轉換成代表語意的數值向量，讓應用程式能依照「意思是否相近」來搜尋或整理資料。EmbeddingGemma 2 的主要變化，是把這種能力從文字擴展到多種媒體。

• 授權與模型規模： EmbeddingGemma 2 有 7.4 億個參數，採用 Apache 2.0 授權。前代 EmbeddingGemma 於 2025 年 9 月推出，有 3.08 億個參數，並以 Gemma 3 為基礎。134
• 支援媒體與共用向量空間： 新模型可處理文字與程式碼、圖片、影片、音訊，以及這些媒體的組合。模組化編碼器會把不同輸入映射至共用的 768 維向量空間，因此應用程式可直接比較文字查詢與圖片或音訊內容，不必串接多套嵌入模型。開發者可以只載入所需編碼器；依配置不同，模型規模約為 2.7 億至 7.4 億個參數。15
• 上下文長度與向量尺寸： 新模型據報支援 8,000 個 token 的上下文，約為前代 2,000 個 token 的四倍。兩代模型都能使用較短的輸出向量，不必固定採用完整的 768 維；前代明確支援 128 至 768 維。46
• 效能與記憶體： Google 稱新模型以自身規模來看表現領先，但目前可用資料不足以對新舊兩代作出可靠的數值化基準測試比較。據報，在特定量化設定下，裝置端記憶體用量約為純文字配置 191 MB、完整多模態配置 567 MB；這些數字取決於配置與測試條件，不能視為所有裝置上的固定需求。267
• 應用情境與限制： 多模態能力可用於在本機搜尋筆記、照片、錄音與影片，也能支援檢索增強生成（RAG）等應用。不過，共用向量空間本身不會判斷搜尋結果是否安全、正確或合適；應用仍須自行處理敏感內容與錯誤匹配等問題。28
• 目前可用情況： Google 的開發者資料與 Hugging Face 模型頁面目前已列出相關模型資訊。至於其他後續發布管道或整合計畫，現有來源不足以確認具體時程。158