A Google DeepMind anunciou o EmbeddingGemma 2, um modelo de embeddings multimodais que, segundo a empresa, representa texto, código, imagens, áudio e vídeo num espaço comum. A publicação, datada de 6 de outubro de 2026, apresenta-o como uma opção aberta e leve para aplicações que precisam de organizar, pesquisar ou relacionar diferentes tipos de conteúdo. O modelo tem 740 milhões de parâmetros e é construído sobre a arquitetura Gemma 4.

Com modalidades reunidas no mesmo espaço, o sistema poderá, por exemplo, ajudar a localizar um excerto de vídeo a partir de uma gravação de voz ou a pesquisar horas de áudio através de uma consulta textual. A DeepMind descreve estes casos como possibilidades do modelo. A informação fornecida não inclui uma avaliação independente dessas utilizações nem resultados de testes que permitam confirmar o desempenho em aplicações concretas.

A empresa afirma que o EmbeddingGemma 2 obtém resultados de referência entre modelos multimodais com menos de mil milhões de parâmetros. Aponta desempenhos em conjuntos de avaliação como MTEB Code e MAEB e diz que o sistema iguala ou supera modelos maiores em tarefas de texto, visão e áudio. O material disponível não apresenta pontuações concretas nem comparações detalhadas, pelo que estas afirmações de desempenho são atribuíveis à Google.

O modelo foi concebido de forma modular: para tarefas apenas de texto, a DeepMind indica uma configuração de 270 milhões de parâmetros, com codificadores opcionais de visão, de 170 milhões, e de áudio, de 300 milhões. A técnica Matryoshka Representation Learning permite reduzir os vetores de saída de 768 dimensões para 512, 256 ou 128. Segundo a empresa, a redução pode diminuir até seis vezes o espaço ocupado e a memória necessária em bases de dados vetoriais locais.

A DeepMind destaca também a execução em dispositivos com recursos limitados. Com quantização, afirma que, num Google Pixel 11 Pro, a utilização ativa de RAM pode ser de cerca de 191 MB para os pesos de texto e de 567 MB para o modelo multimodal completo. A janela de contexto é de 8 mil tokens, quatro vezes superior à do EmbeddingGemma original. Segundo a empresa, permite processar até cinco minutos e meio de áudio, 29 imagens ou 58 fotogramas de vídeo.

O modelo é lançado sob a licença Apache 2.0, que a Google descreve como permissiva para uso comercial. A empresa afirma que a primeira versão do EmbeddingGemma ultrapassou 20 milhões de transferências e foi usada em ferramentas de pesquisa no dispositivo e em sistemas de geração aumentada por recuperação (RAG). Estes números e exemplos são atribuídos à Google. O anúncio não detalha a disponibilidade por plataforma.

Porque importa

Embeddings multimodais podem facilitar a pesquisa entre diferentes formatos de conteúdo. A proposta da Google combina essa capacidade com execução local e uma licença aberta, embora o anúncio, por si só, não permita confirmar de forma independente o desempenho indicado.

Fontes

EmbeddingGemma 2: an open, lightweight multimodal embedding modelGoogle DeepMind ↗