EmbeddingGemma 2 lleva la búsqueda multimodal al teléfono

Google DeepMind lanzó EmbeddingGemma 2 el 6 de octubre de 2026, un modelo abierto que convierte texto, código, imágenes, vídeo y audio en vectores de un mismo espacio compartido. Tiene 740 millones de parámetros y se distribuye bajo la licencia Apache 2.0, según la guía para desarrolladores de Google. La versión solo de texto funciona con unos 191 MB de memoria en un teléfono. Eso hace viable buscar en las fotos, notas de voz y documentos de un usuario sin enviarlos a un servidor.

Qué hace un modelo de embeddings

Un modelo de embeddings convierte un contenido en una lista de números, llamada vector. Los contenidos similares acaban con vectores similares. La búsqueda consiste entonces en encontrar los vectores más cercanos a una consulta.

Este es el motor detrás de RAG, o generación aumentada por recuperación, en la que una aplicación encuentra documentos relevantes antes de pedir a un modelo de lenguaje que responda. EmbeddingGemma 2 coloca todo tipo de medios en el mismo espacio. Una consulta de texto como «perro en una playa» puede, por tanto, encontrar directamente una foto, un fotograma de vídeo o un clip de audio.

La guía para edge lo describe como un modelo que «asigna texto, imágenes, fotogramas de vídeo y audio a un único espacio vectorial unificado».

Cómo está construido

El modelo se compone de codificadores apilables que comparten un espacio de embeddings:

Parte	Parámetros
Codificador de texto y código	270M
Codificador de visión	170M
Codificador de audio	300M
Total	740M

Apilable significa que una aplicación solo de texto puede cargar únicamente el núcleo de 270M y añadir visión o audio solo si los necesita.

La salida es un vector de 768 dimensiones. Se puede reducir a 512, 256 o 128 dimensiones con Matryoshka Representation Learning, un método de entrenamiento que coloca la información más importante al principio de cada vector. Google afirma que 128 dimensiones reducen el almacenamiento 6 veces. «Se conserva la mayor parte de la calidad total del embedding original en texto y código, y cerca del 95 % en recuperación de imagen, vídeo y voz», señala la guía para desarrolladores.

La ventana de contexto es de 8192 tokens, cuatro veces la de la primera versión. Unite.AI enumera lo que cabe en una sola llamada:

• 29 imágenes, a 280 tokens cada una
• 58 fotogramas de vídeo, a 140 tokens cada uno
• 5,5 minutos de audio, a 25 tokens por segundo

Unite.AI añade que el modelo admite más de 100 idiomas y que su corte de datos de entrenamiento es enero de 2025.

Benchmarks y velocidad

Prueba	EmbeddingGemma 2	Fuente
MTEB Code	78,68 (EmbeddingGemma 1: 68,76)	Unite.AI, Crypto Briefing
MTEB multilingual	61,36	Unite.AI
MMEB v2 recuperación de imágenes	57,28	Unite.AI
MMEB v2 recuperación de vídeo	50,67	Unite.AI
MSEB audio	69,54	Unite.AI

La puntuación en código es el mayor salto, una mejora de 9,92 puntos. La guía de Google la describe como un 14 % superior a la de la primera versión.

En hardware, Google indica unos 191 MB de RAM para el uso solo de texto y unos 567 MB para el uso multimodal completo en un Pixel 11 Pro, con cuantización. La guía para edge midió el embedding de una imagen en 37,3 milisegundos en una GPU de MacBook M5 Pro, es decir, 26,9 imágenes por segundo.

La misma guía dice que el modelo puede clasificar una entrada entre 500 opciones en menos de 100 milisegundos, sin necesidad de entrenamiento. Eso lo acerca a la nueva clase de modelos de decisión como Clef de Cloudflare.

Dónde conseguirlo

Los pesos están en Hugging Face como google/embeddinggemma-2, y en Kaggle y la LiteRT Community. Crypto Briefing enumera compatibilidad con sentence-transformers, Hugging Face transformers, LiteRT y MediaPipe, MLX y Ollama. Google también distribuye paquetes LiteRT precuantizados como archivos .litertlm. El modelo también impulsa AI Edge Foresight, una app experimental para Mac que toma notas de reuniones sin conexión.

Qué significa para los desarrolladores

• Lleve la búsqueda al dispositivo. Con unos 191 MB para texto, el modelo cabe en una aplicación móvil. El contenido privado puede indexarse en local, lo que según Unite.AI significa que los archivos personales «no tienen que subirse a un servidor solo para poder buscarse».
• Use el truncado para reducir el almacenamiento. Si su base de datos de vectores es grande, pruebe 256 o 128 dimensiones. Google indica un ahorro de 6 veces con 128, conservando la mayor parte de la calidad en texto.
• Reincruste si cambia de modelo. Los vectores de EmbeddingGemma 1 y 2 no son intercambiables. Planifique una reindexación completa en lugar de mezclarlos.
• Pruébelo en búsqueda de código. Una mejora de 9,92 puntos en MTEB Code justifica probarlo en búsqueda de repositorios y RAG de código.
• Cargue solo los codificadores que necesita. Una función solo de texto no necesita los 470M de parámetros de los codificadores de visión y audio. Cargas más pequeñas significan arranques más rápidos en teléfonos.

Ejecútelo primero contra su modelo de embeddings actual con sus propias consultas. Los benchmarks públicos muestran la dirección, y sus propios datos muestran la mejora real.