EmbeddingGemma 2: wyszukiwarka sensu w Twoim telefonie

EmbeddingGemma 2 to nowy, otwarty model od Google DeepMind. Zamienia tekst, kod, zdjęcia, wideo i dźwięk na liczby opisujące ich sens. Dzięki temu aplikacja znajdzie nagranie po opisie słownym albo zdjęcie po innym zdjęciu. Model jest mały, działa na telefonie bez internetu i można go używać komercyjnie.

Co ogłosił Google DeepMind?

Google wypuścił pierwszą wersję tego modelu rok temu. Rozumiała tylko tekst, a mimo to, jak podaje Google, pobrano ją ponad 20 milionów razy. Programiści budowali na niej wyszukiwarki działające w telefonie i systemy, które pilnują prywatności danych.

Nowa wersja idzie dalej. Pierwsza wersja rozumiała sam tekst, nowa dokłada kod, zdjęcia, wideo i dźwięk. Jak czytamy w ogłoszeniu Google DeepMind z 6 października 2026, wszystkie te rodzaje plików obsługuje teraz jeden model. Ma 740 milionów parametrów, czyli ustawień, których nauczył się podczas treningu. Powstał na bazie Gemma 4.

Nagranie z ogłoszenia: wideo na stronie dostawcy.

Licencja to Apache 2.0. Po ludzku: możesz użyć modelu we własnym produkcie, także płatnym. Nie musisz pytać Google o zgodę.

Czym jest model osadzeń i po co Ci ta nowość?

Z EmbeddingGemma 2 nie porozmawiasz i nie napiszesz z nim maila. Model zamienia każdy plik na osadzenie, nazywane też wektorem, czyli zestaw liczb opisujący jego sens.

Wyobraź sobie wielką mapę. Każdy Twój plik dostaje na niej swój punkt. Rzeczy o podobnym znaczeniu leżą blisko siebie, nawet gdy nazywają się zupełnie inaczej. Zdjęcie psa, nagranie szczekania i notatka „kupić karmę” trafiają w tę samą okolicę.

Na tym polega nowość. Poprzednia wersja rysowała mapę tylko dla tekstu. Nowa ma jedną wspólną mapę dla wszystkich rodzajów plików. Szukasz po sensie, więc nazwa pliku przestaje mieć znaczenie. Jeśli chcesz lepiej zrozumieć, jak myśli AI, ten mechanizm jest jednym z fundamentów.

Co to zmienia w Twojej pracy?

Na razie niewiele. Dostajesz sam silnik, a samochód ktoś musi dopiero zbudować. Ale silnik otwiera drogę do aplikacji, które przydadzą się w zwykłym dniu pracy.

Kilka przykładów:

• Sklep internetowy. Wrzucasz zdjęcie produktu od klienta i dostajesz podobne pozycje z własnego katalogu.
• Marketer. Masz zapisane filmy z kilku kampanii. Wpisujesz „ujęcie z kawą na tarasie” i trafiasz w konkretny moment nagrania.
• Nauczyciel. Nagrywasz lekcje. Szukasz fragmentu, w którym tłumaczyłeś ułamki, i nie przewijasz godzin materiału.
• Firma usługowa. Nagrywasz notatki głosowe po rozmowach z klientami. Wpisujesz „reklamacja pralki” i od razu odsłuchujesz właściwą rozmowę.

Google podaje podobne zastosowania. Model znajdzie klip wideo na podstawie notatki głosowej albo przeszuka godziny nagrań po zapytaniu tekstowym.

Druga sprawa to prywatność. Twoje pliki nie muszą wychodzić z telefonu ani z laptopa. Model działa lokalnie, także bez internetu. Dla firmy, która nie chce wysyłać danych klientów na cudze serwery, to dobra wiadomość. Więcej o tym, jak bezpiecznie wrzucać dane, pisałem osobno.

Lepiej radzi sobie z kodem

Najwyraźniejszy skok jakości dotyczy kodu. W teście MTEB Code wynik wzrósł z 68,76 do 78,68 punktu, czyli o 9,92 punktu. Google pisze, że model nadaje się do przeszukiwania kodu i do pracy z agentami programującymi. Korzystasz z takich narzędzi, choćby gdy zaczynasz z Claude Code? Lepsze wyszukiwanie oznacza, że agent szybciej trafi we właściwy plik.

Ile miejsca zajmuje na telefonie?

Model jest zbudowany z modułów. Potrzebujesz tylko tekstu? Bierzesz tylko najmniejszy moduł, tekstowy. Chcesz obrazów i dźwięku? Dokładasz kolejne.

Aplikacja do szukania w samych notatkach tekstowych może więc być lżejsza niż ta, która przeszukuje nagrania.

Ile to zajmuje? Google zmierzył to na telefonie Pixel 11 Pro. Po kompresji wersja tekstowa potrzebuje około 191 MB pamięci RAM. Pełna wersja z obrazem i dźwiękiem około 567 MB.

Lalka w lalce: krótsze osadzenia, mniej miejsca

Ciekawy jest sposób oszczędzania miejsca. Nazywa się Matryoshka Representation Learning, od rosyjskiej matrioszki. Pełne osadzenie pliku ma 768 liczb. Można go jednak skrócić do 512, 256 albo 128 liczb, a skrócona wersja nadal ma sens. Jak mniejsza lalka schowana w większej.

Zysk to nawet 6 razy mniej miejsca na dysku i w pamięci. Dla małego urządzenia to różnica między „działa” a „zawiesza się”.

Dłuższe materiały za jednym razem

Model przyjmuje też dłuższe materiały. Okno kontekstu to porcja danych, którą model analizuje za jednym razem. Ma 8 tysięcy tokenów, czyli drobnych kawałków, na które model tnie tekst, obraz i dźwięk. To 4 razy więcej niż w poprzedniej wersji. W praktyce w jednym oknie kontekstu mieści się do 5,5 minuty dźwięku, 29 zdjęć albo 58 klatek wideo.

Gdzie go znaleźć i ile kosztuje?

Ogłoszenie nie podaje żadnej ceny. Model leży do pobrania w serwisach Hugging Face i Kaggle. Google zapowiada też dostępność w Model Garden, katalogu modeli w chmurowej usłudze Gemini Enterprise Agent Platform, ale bez daty.

Jeśli nie programujesz, najprościej zobaczyć model w akcji w aplikacjach Google:

• Google AI Edge Gallery, funkcja Instant Media Search: szukasz w galerii tekstem albo zdjęciem.
• Google AI Edge Gallery, funkcja Video Moments Finder: znajdujesz moment w filmie po opisie albo nagraniu.
• Google AI Edge Foresight: model szuka plików, a Gemma 4 wyciąga z nich wnioski.

Nagranie z ogłoszenia: wideo na stronie dostawcy.

Nagranie z ogłoszenia: wideo na stronie dostawcy.

Nagranie z ogłoszenia: wideo na stronie dostawcy.

Osoby, które trochę dłubią przy komputerze, uruchomią go w programach Ollama albo LMStudio. Jest też wersja działająca w przeglądarce. Jeśli masz w firmie kogoś technicznego, to dobry moment, żeby dać mu ten model do sprawdzenia.

Nagranie z ogłoszenia: wideo na stronie dostawcy.

Czego ogłoszenie nie mówi?

Ogłoszenie jest pisane dla programistów. Kilka pytań, które zada polski czytelnik, zostaje bez odpowiedzi:

• Jak radzi sobie z polskim? Google pisze tylko, że w wielu językach działa tak dobrze jak poprzednia wersja. Nie ma listy języków ani wyników dla polskiego.
• Na jakim sprzęcie zadziała? Pomiar pamięci dotyczy jednego telefonu. O iPhone’ach i starszych modelach nie ma słowa.
• Kiedy pojawi się w Model Garden? Google pisze tylko „wkrótce”.
• Czy będzie gotowa aplikacja dla zwykłego użytkownika? Na razie są aplikacje pokazowe i narzędzia dla twórców.

Ten model nie zrobi za Ciebie nic sam z siebie. Może jednak stać się silnikiem wyszukiwarki, która w końcu znajdzie to, czego szukasz. Jeśli Twoja firma tonie w zdjęciach, nagraniach i notatkach, warto obserwować, kto pierwszy zbuduje na nim narzędzie.

Powodzenia.

Najczęstsze pytania

Artykuł powstał w oparciu o: https://deepmind.google/blog/embeddinggemma-2-an-open-lightweight-multimodal-embedding-model