EmbeddingGemma 2 发布：统一文本、图像、音频与视频的多模态嵌入模型

Google 发布开源多模态嵌入模型 EmbeddingGemma 2，可在统一空间中原生表示文本、图像、音频、视频及其组合。论文称其在覆盖各模态的嵌入基准上建立新的帕累托前沿，优于专用模型和规模大 2 至 12 倍的模型。该模型支持按需加载模态编码器、可调视觉 token 预算、可截断嵌入维度和量化权重，以适应资源受限环境，并已开放 0.7B 版本权重。