EmbeddingGemma 2
Google · google/embeddinggemma-2
Licença dos pesos: Apache 2.0 · código e componentes podem ter outros termos
Qualidade
MTEB (Multilingual, v2)
Média por tarefa · 0 a 100 · maior é melhor · este modelo em destaque
- Cor = publicador
Fonte: dataset de resultados do MTEB (execuções independentes, CC0) · informado pelo publicador quando o model card é a única fonte · outros benchmarks e versões não entram
| MTEB (Multilingual, v2) | mean(task) · 768d | 61,36 | informado pelo publicador |
|---|---|---|---|
| MTEB (Multilingual, v2) | mean(task) · 256d | 60,41 | informado pelo publicador |
| MTEB (Multilingual, v2) | mean(task) · 128d | 57,89 | informado pelo publicador |
| MTEB (Code) | — · 768d | 78,68 | informado pelo publicador |
| MIEB-lite | — · 768d | 64,64 | informado pelo publicador |
| MMEB v2 (image) | — · 768d | 57,28 | informado pelo publicador |
| MMEB v2 (visdoc) | — · 768d | 67,84 | informado pelo publicador |
| MMEB v2 (video) | — · 768d | 50,67 | informado pelo publicador |
| MSEB (retrieval) | — · 768d | 69,54 | informado pelo publicador |
| MAEB | — · 768d | 49,39 | informado pelo publicador |
Informado pelo publicador
- Massive Text Embedding Benchmark · Mean, Multiple (MTEB, multilingual, v2; Task)
- 61,36Text
- Massive Text Embedding Benchmark · Mean, NDCG@10 (MTEB, code, v1; Task)
- 78,68Text
- Massive Image Embedding Benchmark · Mean, Multiple (MIEB, lite; TaskType)
- 64,64Image
- Massive Multimodal Embedding Benchmark · Mean, Hit@1 (MMEB v2 - Image; Task)
- 57,28Image
- Massive Multimodal Embedding Benchmark · Mean, NDCG@5 (MMEB v2 - VisDoc; Task)
- 67,84Image
- Massive Multimodal Embedding Benchmark · Mean, Hit@1 (MMEB v2 - Video; Task)
- 50,67Video
- Massive Sound Embedding Benchmark · Mean, MRR@10 (MSEB, Retrieval; Task)
- 69,54Audio
- Massive Audio Embedding Benchmark Hugging Face · Mean, Multiple (MAEB; Task)
- 49,39Audio
Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Benchmark Results › Overall Evaluation Results (768d)); coluna “EmbeddingGemma 2”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo
Qualidade × memória
Sem par qualidade × memória comparável
As estimativas de memória de embeddings ficam em poucos GB, então um gráfico qualidade × memória não separaria estes modelos; o MTEB aparece acima.
Considere EmbeddingGemma 2 para busca semântica e recuperação: gera vetores de 768 dimensões a partir de texto, imagens, vídeo e áudio.
A memória publicada vale para configurações específicas e está em Como rodar, com o formato de prompts; a lista de hardware usa a estimativa de planejamento. PT-BR não está confirmado por uma fonte.
Roda em
Cabe na memória rápida 119
A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.
Mostrar todos os 119
Perfis de hardware agrupados pela estimativa de planejamento de embeddings (pesos de 8 bits, 20% de margem, 2 GB de reserva). Não é compatibilidade medida.
Velocidade medida
Nenhuma medição publicada para este checkpoint
A vazão (textos por segundo) só aparece quando uma fonte a publica com hardware, build e configuração. Nunca é estimada.
Como rodar
Memória publicada: 191 MB (RAM ativa, só texto, quantizado, no dispositivo (Pixel 11 Pro), conforme informado pelo Google.); 567 MB (RAM ativa, multimodal completo, quantizado, no dispositivo (Pixel 11 Pro), conforme informado pelo Google.). A estimativa de planejamento usa pesos de 8 bits, 20% de margem e 2 GB de reserva; é um teto, não uma medição.
- Roda em
- Transformers, Sentence Transformers, MLX, vLLM, llama.cpp, SGLang, Ollama, LM Studio, Transformers.js, Qdrantfonte
- Prompts de consulta/documento
- Prefixos de instrução de tarefa só no texto. Consultas: 'task: {task} | query: {content}' (por exemplo 'task: search result | query: {query}'). Documentos: 'title: {title} | text: {content}', com 'title: none' quando não há título. Tarefas simétricas (classificação, agrupamento, similaridade) usam a forma 'task: ... | query: ...' em todas as entradas. Imagens, vídeo e áudio não levam prefixo.
- Idiomas · PT-BR
- Mais de 100 idiomasPT-BR não confirmado
Formas documentadas de rodar
Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.
pip install -U sentence-transformers transformersfrom sentence_transformers import SentenceTransformer
model = SentenceTransformer("google/embeddinggemma-2")
query = "What causes the northern lights?"
document = "The northern lights are caused by charged particles from the sun."
query_emb = model.encode(query, prompt_name="SearchQuery")
doc_emb = model.encode(document, prompt_name="Document")
print(model.similarity(query_emb, doc_emb))Detalhes técnicos
O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.
- Checkpoint / fonte
- google/embeddinggemma-2
- Tarefa
- embeddings para busca (extração de características)
- Biblioteca na fonte
- Transformers, Sentence Transformers, MLX, vLLM, llama.cpp, SGLang, Ollama, LM Studio, Transformers.js, Qdrant
- Licença dos pesos
- Apache 2.0
- Uso comercial
- Permitido Apache License 2.0 text (SPDX) · consultado em 2026-10-18texto da licença
- Base dos parâmetros
- Model card: 740M no total = 270M de backbone texto/código + 170M de encoder de visão + 300M de encoder de áudio (os encoders carregam separadamente). A contagem safetensors do Hub é 744M em BF16.
- Anunciado
- 2026-10-06
A página do Ollama para embeddinggemma-2 lista as tags 270m, 440m, 570m e 740m e mostra janela de 256K em todas. O model card e o blog do Google dizem 8.192 tokens, e os tamanhos 440m/570m não correspondem à descrição de 270M/740M do card. Nenhum número do Ollama é usado aqui; verifique cada variante antes de publicar. O Hub marca este repositório como feature-extraction; o subtipo multimodal vem do model card (texto, imagem, vídeo e áudio no mesmo espaço vetorial). As notas são do próprio publicador, no model card. O PT-BR segue não confirmado (2026-10-07): o model card, os metadados do card no Hub (language: multilingual) e o blog do Google dizem "mais de 100 idiomas" sem citar o português, e o dataset público de resultados do MTEB ainda não tem execução deste modelo, então não há nota nos subconjuntos em português. O resultado em português do EmbeddingGemma 1 não vale para este modelo.
Fontes
Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.
- Ficha do publicador
- Hugging Face model card · 2026-10-07
- Google blog, 2026-10-06 · 2026-10-07
- Ollama library (variant and context figures not used) · 2026-10-07
Fatos curados verificados: 2026-10-07. Cada valor cita sua fonte (a ficha do publicador ou o dataset de resultados do MTEB); estimativas vêm rotuladas como estimativas, e um valor que nenhuma fonte informa fica vazio. Um commit do repositório não é a data de lançamento do modelo.






























































