La conversación de Reddit apunta a la nueva versión EmbeddingGemma 2 de Google. Los comentarios describen un modelo de 740 M con multimodalidad nativa. Texto, imágenes, vídeo y audio se representan en un mismo espacio de embeddings de 768 dimensiones. La licencia indicada es Apache 2.

Entre los usos citados aparecen la indexación multimodal, la búsqueda en contenidos multimedia y los sistemas RAG. Un usuario afirma que el modelo funciona en una Raspberry Pi. Otro pregunta si las task-steered representations son una función nueva del modelo. También se mencionan los endpoints de Google, MRL, HQ-CLIP, EmbeddingGemma 1 y nomic-embed-text en flujos de trabajo existentes.

Los datos más completos proceden de una comparación publicada por un usuario con resultados generados por Claude sobre imágenes de cartas de MTG. El análisis ofrece nDCG@20 para búsquedas de texto, nDCG@10 para similitud de imágenes y el tamaño indicado para cada modelo. HQ-CLIP obtuvo 0.715 y 0.834 con unos 1,6 GB de RAM en fp32. EmbeddingGemma 1 en Q4 sobre descripciones obtuvo 0.743 y 0.741 con unos 0,3 GB. EmbeddingGemma 2 en BF16 sobre descripciones alcanzó 0.775 y 0.797 con 0,56 GB. Su versión de 4 bits para descripciones llegó a 0.771 y 0.801 con 0,18 GB.

La versión de visión en BF16 obtuvo 0.740 y 0.884. Su consumo fue de 0,56 GB más 0,98 GB para el mmproj. La versión de texto en 4 bits con un mmproj Q8 para visión obtuvo 0.738 y 0.879, con 0,18 GB más 0,55 GB de mmproj. La comparación registró una caída aproximada de 0.004 nDCG tras la cuantización y una similitud coseno media de 0.996 entre ambos conjuntos de vectores.

El autor calculó una ventaja de +0.061 nDCG@20 sobre HQ-CLIP en búsquedas basadas en descripciones. El intervalo de confianza del 95 % va de +0.028 a +0.095. La búsqueda de texto a imagen registró +0.025, con un intervalo que incluye cero. La similitud de imagen a imagen llegó a 0.884 frente a 0.834 para HQ-CLIP. Las filas de similitud de los modelos basados en descripciones comparan descripciones entre sí. Estas cifras proceden de una prueba de la comunidad. El extracto no aporta un benchmark publicado por el equipo del modelo.