想象一下：你只输入一句“找出讲解登录故障的那段内容”，系统就能同时翻文档、截图、录音和视频，而不用逐个资料库搜索。Google 的 EmbeddingGemma 2 正是为此而来。它是一款紧凑的开放权重嵌入模型——把内容压缩成数字坐标，方便机器比较语义是否接近。模型把文本、代码、图像、音频和视频放进同一个 768 维向量空间，也就是同一套坐标系，让不同形式的内容可以直接互相检索。
它也为手机和笔记本等设备端场景留出了伸缩空间：开发者可按需加载编码器，参数量从处理文本与代码的 2.7 亿，到完整多模态版本的 7.4 亿。更具体的取舍在存储上。Google 称，保存 100 万个 768 维向量约需 1.5GB 内存；借助 MRL——可把向量截短的训练方式——压到 128 维后约需 250MB。但轻量并非免费：文本任务还能保留约 90% 的质量，图像、视频和语音检索则约为 75%。这些性能与质量数据来自 Google 自述，适合把它看作端侧多模态检索的新底座，而非没有代价的全面升级。