EmbeddingGemma 2 گوگل؛ جست‌وجوی متن، تصویر و صدا روی دستگاه

EmbeddingGemma 2، مدل جدید گوگل برای ساخت بردارهای معنایی، از متن فراتر رفته و از کد، تصویر، ویدئو و صدا پشتیبانی می‌کند. این مدل متن‌باز با مجوز Apache 2.0 عرضه شده و برای اجرای کم‌تأخیر روی سخت‌افزارهای مصرفی مانند موبایل و لپ‌تاپ طراحی شده است.

این مدل که بر پایه Gemma 4 ساخته شده، همه این نوع محتوا را در یک فضای برداری مشترک ۷۶۸بعدی نمایش می‌دهد. بنابراین توسعه‌دهندگان می‌توانند با یک جست‌وجو، اسناد، اسکرین‌شات‌ها، فایل‌های صوتی یا ویدئوهای مرتبط را پیدا کنند؛ یا در کد منبع با زبان طبیعی جست‌وجو کنند.

گوگل می‌گوید توسعه‌دهندگان می‌توانند فقط رمزگذارهای موردنیاز را بارگذاری کنند: مدل برای متن و کد ۲۷۰ میلیون پارامتر دارد و در حالت چندرسانه‌ای کامل به ۷۴۰ میلیون پارامتر می‌رسد. این رویکرد می‌تواند ساخت قابلیت‌های جست‌وجو و RAG محلی را در طراحی وب اپلیکیشن ساده‌تر کند؛ به‌ویژه برای ایندکس‌کردن کدبیس و جست‌وجوی عامل‌محور.

EmbeddingGemma 2 از یادگیری بازنمایی ماتریوشکا پشتیبانی می‌کند تا بردارها برای ذخیره‌سازی کمتر کوتاه شوند. گوگل می‌گوید یک میلیون بردار ۷۶۸بعدی با دقت bfloat16 حدود ۱.۵ گیگابایت فضا می‌خواهد، اما نسخه ۱۲۸بعدی به ۲۵۰ مگابایت کاهش می‌یابد. با این حال، کوتاه‌سازی کیفیت بازیابی را پایین می‌آورد؛ کیفیت متن در ۱۲۸ بعد حدود ۹۰ درصد باقی می‌ماند، اما برای تصویر، ویدئو و گفتار به حدود ۷۵ درصد می‌رسد.

منبع: InfoQ