EmbeddingGemma 2 Faoliyat yuritmoqda

EmbeddingGemma 2 — Google tomonidan ochiq manba sifatida taqdim etilgan, Gemma 4 arxitekturasiga asoslangan mahalliy multimodal Embedding modeli bo‘lib, matn, kod, rasm, video va audioni yagona vektor makoniga xaritalaydi hamda multimodal semantik qidiruvni amalga oshiradi. EmbeddingGemma 2 modulli dizaynga ega: barcha modallar bilan atigi 740M parametr, kontekst hajmi 8K token, kvantlashdan so‘ng esa telefonda taxminan 567MB xotira egallaydi. EmbeddingGemma 2 — 1B dan kam parametrga ega eng kuchli multimodal vektor modeli bo‘lib, kod qidiruvida avvalgi avlodga nisbatan qariyb 10 ball yuqori natija beradi. U qurilma ichidagi RAG, semantik qidiruv, fotoalbom qidiruvi kabi ssenariylar uchun mos.

Multimodal semantik qidiruv: matn, kod, rasm, video va audioni yagona vektor makoniga xaritalaydi, istalgan modal yordamida boshqa modallarni qidirishni qo‘llab-quvvatlaydi.
Qurilmada mahalliy ishlash: barcha modallar bilan atigi 740M parametrga ega; kvantlashdan so‘ng Pixel 11 Pro’da taxminan 567MB xotira egallaydi va internetga ulanmasdan telefon yoki noutbukda xulosa chiqarish imkonini beradi.
Mahalliy RAG quvuri: Gemma 4 bilan tokenizer va audio kodlagichni baham ko‘radi. Ularni birgalikda ishlatib, ma’lumotlar maxfiyligini ta’minlagan holda mahalliy multimodal qidiruvni kuchaytiruvchi generatsiya tizimini yaratish mumkin.
Semantik fotoalbom va media qidiruvi: Google AI Edge Gallery’dagi Instant Media Search yordamida telefon fotoalbomidagi rasmlarni matn orqali qidirish yoki kamera bilan suratga olingan buyumga o‘xshash rasmlarni topish mumkin.
Videodagi lahzalarni aniqlash: Video Moments Finder matn yoki audio so‘rovlari asosida videodagi semantik jihatdan mos lavhalarni avtomatik belgilaydi.
Real vaqtli qaror mexanizmi: MediaPipe Decision Task API orqali real vaqt rejimida tasniflash, yo‘naltirish va bashoratlashni amalga oshiradi. Namoyishda bitta qaror atigi 43 millisekundda qabul qilingan, bu LLM’ning 640 millisekundlik natijasidan ancha tez.

WeChat’da kuzatib, “开源” deb javob yuboring va AI ochiq manba loyihalari guruhiga qo‘shiling
Yagona multimodal embedding makoni: model Gemini Embedding oilasining texnik yo‘nalishini davom ettirib, turli modallardagi kirish ma’lumotlarini bir xil yuqori o‘lchamli vektor makoniga kodlaydi. Shu tariqa semantik jihatdan yaqin kontent vektor makonida yaqin, aloqasiz kontent esa uzoq joylashadi. Multimodal qidiruvni har bir modal uchun alohida model saqlashga hojat qoldirmaydigan yagona vektor qo‘shnilarini qidirish masalasiga aylantirish mumkin.
Modulli kodlagich-dekodlagich arxitekturasi: model Gemma 4 arxitekturasi asosida qurilgan va uch qismdan iborat: 270M parametrli matn yadrosi, 170M parametrli vizual kodlagich hamda 300M parametrli audio kodlagich. Vizual va audio modullar talabga ko‘ra yuklanadi. Shu sababli amaliy joylashtirishda to‘rtta konfiguratsiya mavjud: faqat matn, matn+rasm (440M), matn+audio va barcha modallar. Matn vazifalari uchun vizual va audio modullarining xotira xarajatlari talab qilinmaydi.
Gemma 4 bilan umumiy komponentlar: EmbeddingGemma 2 va Gemma 4 generativ modeli bir xil matn tokenizer’i hamda audio kodlagichdan foydalanadi. Ularni yagona qurilma ichidagi RAG quvuriga ulash mumkin: EmbeddingGemma 2 mahalliy multimodal fayllarni kodlab indekslaydi, Gemma 4 esa qidiruvdan keyingi kontekstni tahlil qiladi. Umumiy komponentlar kombinatsiyalangan joylashtirishda umumiy xotira sarfini ham kamaytiradi.
Matryoshka tasvirlarni o‘rganish va dinamik qisqartirish: model MRL ta’limidan foydalanadi, 768 o‘lchamli vektorlar hosil qiladi va xulosa chiqarish vaqtida ularni dinamik ravishda 512, 256 yoki 128 o‘lchamgacha qisqartirishni qo‘llab-quvvatlaydi. 256 o‘lchamgacha qisqartirilganda unumdorlik deyarli yo‘qolmaydi, vektorlar bazasini saqlash hajmi esa ko‘pi bilan dastlabki hajmning oltidan birigacha kamayadi.
5. Uzun kontekst va uzun kirishni bo‘lish: model 8K tokenlik kontekst oynasini qo‘llab-quvvatlaydi, bu avvalgi avlodnikidan 4 baravar katta. Bir martada taxminan 5.5 daqiqalik audio, 29 ta rasm, 58 ta video kadri yoki ularning aralash kombinatsiyasini qayta ishlashi mumkin. Matn kiritishida vazifa prefikslari ham qo‘llanadi, shuning uchun bir xil matn turli vazifalar uchun turlicha vektor tasvirlarini hosil qilishi mumkin.

Model og‘irliklarini yuklab olish: google/embeddinggemma-2 model fayllarini Hugging Face yoki Kaggle’dan oling. Qurilmada optimallashtirilgan versiya kerak bo‘lsa, LiteRT Community sahifasiga murojaat qiling.
Ishlash freymvorkini tanlash: modelni transformers, sentence-transformers, MLX, vLLM, llama.cpp, SGLang, Ollama, LM Studio kabi ommabop vositalar orqali to‘g‘ridan-to‘g‘ri yuklash mumkin.
Xulosa chiqarish kodini yozish: sentence-transformers misolida, modelni yuklagandan so‘ng so‘rov va hujjatlarni mos ravishda prompt_name="SearchQuery" va "Document" yordamida kodlang, keyin vektorlar o‘xshashligini hisoblash uchun similarity() funksiyasini chaqiring.
Qidiruv tizimini yaratish: hosil qilingan embedding’larni Qdrant kabi vektorlar bazasiga saqlab, semantik qidiruv, kod bazasi indeksatsiyasi yoki multimodal qidiruvni amalga oshirish mumkin.
Qurilmaga joylashtirish: mobil qurilmalarda Google AI Edge MediaPipe yordamida embedding, qidiruv va qaror vazifalarini to‘g‘ridan-to‘g‘ri ulash yoki LiteRT orqali maxsus integratsiya qilish mumkin. Brauzerda esa transformers.js / WebGPU orqali ishlaydi.
Mahalliy RAG yaratish: Gemma 4 bilan birga ishlatilganda, EmbeddingGemma 2 mahalliy fayllarni qidiradi, Gemma 4 esa kontekstni tahlil qiladi. Umumiy komponentlar umumiy xotira sarfini kamaytiradi.

Tabiiy yagona multimodal model: bitta model matn, kod, rasm, video va audio kabi besh turdagi modalni qamrab oladi hamda ularni bir xil vektor makoniga xaritalaydi. Bu avvalgi “har bir modal uchun alohida model” yondashuvining o‘rnini bosadi.
Juda yengil va qurilmada ishlaydi: barcha modallar bilan atigi 740M parametrga ega, kvantlashdan so‘ng Pixel 11 Pro’da taxminan 567MB xotira egallaydi va telefonda multimodal xulosani oflayn bajaradi.
Bir xil hajmda eng yuqori unumdorlik: 1B dan kam parametrga ega eng kuchli multimodal Embedding modeli bo‘lib, ayrim vazifalarda hajmi ikki baravardan katta maxsus modellardan ham ustun natija ko‘rsatadi.
Kod bilan ishlash qobiliyati keskin oshgan: kod qidiruvi natijasi avvalgi avlodga nisbatan qariyb 10 ball yuqori, shu sababli mahalliy kod bazasi indeksatsiyasi va coding agent qidiruvi uchun juda mos.
Talabga ko‘ra modulli yuklash: vizual va audio kodlagichlarni mustaqil olib tashlash mumkin. Matn vazifalari uchun atigi 270M parametr yetarli bo‘lib, kerak bo‘lmagan modallar xotira xarajatini keltirib chiqarmaydi.
Saqlash xarajati past: Matryoshka tasvirlarni o‘rganish asosida 768 o‘lchamli vektorlarni 128 o‘lchamgacha qisqartirish mumkin, vektorlar bazasini saqlash hajmi esa ko‘pi bilan dastlabki hajmning oltidan birigacha kamayadi.
Uzun kontekstni qo‘llab-quvvatlaydi: 8K tokenlik kontekst oynasi avvalgi avlodnikidan 4 baravar katta, bir martada taxminan 5.5 daqiqalik audio yoki 29 ta rasmni qayta ishlaydi.
Gemma 4 bilan tabiiy hamkorlik: tokenizer va audio kodlagich umumiy bo‘lgani uchun mahalliy RAG yaratishda umumiy xotira sarfi kamayadi.

Loyiha rasmiy sayti: https://blog.google/innovation-and-ai/technology/developers-tools/embeddinggemma-2/
HuggingFace model kutubxonasi: https://huggingface.co/google/embeddinggemma-2
Texnik maqola: https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2

Qurilmadagi multimodal semantik qidiruv: telefon fotoalbomida matn yoki olingan surat orqali mahalliy media kutubxonasini qidirish, barcha jarayonni oflayn bajarish va maxfiy ma’lumotlarni yuklamaslik.
Video kontentini qidirish va lahzalarni aniqlash: kuzatuv videolari, onlayn darslar yoki konferensiya yozuvlarida matn yoki audio so‘rovi yordamida kerakli lavhalarni tez topish, masalan, “dengiz toshbaqasining oziqlanishi” tasvirini aniqlash va kadrma-kadr qo‘lda qidirish zaruratini bartaraf etish.
Mahalliy RAG bilimlar bazasi: Gemma 4 bilan birga oflayn RAG tizimini yaratish, mahalliy hujjatlar, rasmlar va audiolarni yagona indeksga kiritish. Bu korporativ intranet yoki bulutga joylashtirish mumkin bo‘lmagan maxfiy muhitlar uchun mos.
Kod bazasining semantik indeksatsiyasi va Agent qidiruvi: mahalliy kod bazasi uchun vektor indeksini yaratib, coding agent’ning semantik kod qidiruvini ta’minlash. Kod qidiruvi natijasi avvalgi avlodga nisbatan qariyb 10 ball yuqori.