مع معرفی EmbeddingGemma 2، گوگل مدل امبدینگ چندوجهی سبکی را ارائه کرد

شرکت گوگل دیپ‌مایند از مدل جدید EmbeddingGemma 2 رونمایی کرد که نسخه ارتقائه‌یافته و سبک امبدینگ چندوجهی این شرکت به شمار می‌رود. نسخه اول این مدل سال گذشته با استقبال بسیار خوب توسعه‌دهندگان روبه‌رو شد و بیش از ۲۰ میلیون بار دانلود شد. حالا نسخه دوم فراتر از متن رفته و کدهای برنامه‌نویسی، تصاویر، فایل‌های صوتی و ویدیوها را در یک فضای امبدینگ مشترک یکپارچه می‌کند. این مدل روی معماری Gemma 4 ساخته شده و تحت مجوز تجاری Apache 2.0 منتشر شده است.

مدل EmbeddingGemma 2 با داشتن ۷۴۰ میلیون پارامتر به گونه‌ای طراحی شده است که بهینه‌ترین حالت را برای پردازش و استنتاج محلی روی سخت‌افزارهای مصرفی داشته باشد. این مدل در بنچمارک‌های مختلف کدهای برنامه‌نویسی و صوت توانسته است امتیازات برتری را در میان مدل‌های زیر یک میلیارد پارامتر کسب کند و حتی در برخی وظایف چندوجهی، عملکردی مشابه یا بهتر از مدل‌های بزرگ‌تر از خود ارائه دهد. یکی از ویژگی‌های کلیدی این مدل، طراحی ماژولار آن است که برای کارهای صرفاً متنی تنها به ۲۷۰ میلیون پارامتر نیاز دارد و انکودرهای تصویر و صوت به‌صورت اختیاری به آن اضافه می‌شوند.

این مدل از فناوری یادگیری نمایندگی ماتریوشکا بهره می‌برد که به توسعه‌دهندگان اجازه می‌دهد بردار خروجی را از ۷۶۸ بعد به ابعاد کوچک‌تر مانند ۵۱۲، ۲۵۶ یا ۱۲۸ بعد کاهش دهند و تا شش برابر در فضای ذخیره‌سازی پایگاه‌داده‌های برداری محلی صرفه‌جویی کنند. همچنین EmbeddingGemma 2 به لطف بهینه‌سازی‌های انجام‌شده، روی دستگاه‌هایی مانند Google Pixel 11 Pro با مصرف رم بسیار پایینی اجرا می‌شود و از پنجره زمینه ۸ هزار توکنی پشتیبانی می‌کند که امکان پردازش مقادیر بیشتری از محتوای صوتی و تصویری را به‌صورت آفلاین فراهم می‌سازد.

توسعه‌دهندگان می‌توانند این مدل را از طریق پلتفرم‌های Hugging Face و Kaggle دریافت کنند و از ابزارهایی مانند Google AI Edge MediaPipe یا LiteRT برای پیاده‌سازی روی سیستم‌های مختلف بهره ببرند. گوگل همچنین امکان استفاده از این ابزار را در کنار مدل‌های مولد مانند Gemma 4 برای ساخت سیستم‌های بازیابی اطلاعات پیشرفته فراهم کرده است تا حریم خصوصی کاربر حفظ شده و تاخیر پردازش به حداقل برسد.