Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

EmbeddingGemma 2

Google · google/embeddinggemma-2

Licença dos pesos: Apache 2.0 · código e componentes podem ter outros termos

MTEB (Multilingual, v2)61,4 / 100mean(task) · informado pelo publicador
Memória necessária~3 GBEstimativa 8 bits · não medida
Parâmetros0,74 BBase nos detalhes técnicos
Dimensões · contexto7688.192 tokens · Matryoshka 512/256/128

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

Benchmarks com fonte
MTEB (Multilingual, v2)mean(task) · 768d61,36informado pelo publicador
2026-10-07
MTEB (Multilingual, v2)mean(task) · 256d60,41informado pelo publicador
2026-10-07
MTEB (Multilingual, v2)mean(task) · 128d57,89informado pelo publicador
2026-10-07
MTEB (Code)— · 768d78,68informado pelo publicador
2026-10-07
MIEB-lite— · 768d64,64informado pelo publicador
2026-10-07
MMEB v2 (image)— · 768d57,28informado pelo publicador
2026-10-07
MMEB v2 (visdoc)— · 768d67,84informado pelo publicador
2026-10-07
MMEB v2 (video)— · 768d50,67informado pelo publicador
2026-10-07
MSEB (retrieval)— · 768d69,54informado pelo publicador
2026-10-07
MAEB— · 768d49,39informado pelo publicador
2026-10-07

Informado pelo publicador

8 resultados · ficha de Google · lida em 2026-10-25
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 para

Considere EmbeddingGemma 2 para busca semântica e recuperação: gera vetores de 768 dimensões a partir de texto, imagens, vídeo e áudio.

Confira antes

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.

Preparação indicada antes pela fonte · Sentence Transformers
pip install -U sentence-transformers transformers
Sentence Transformers · ficha do modelo · Quick Start
from 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))

Escolher meu computador

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.

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.