EmbeddingGemma 2: il nuovo modello multimodale di Google DeepMind per dispositivi mobili

Il 6 ottobre 2026 Google DeepMind ha annunciato EmbeddingGemma 2 sul blog ufficiale, con la firma dei ricercatori Sahil Dua e Henrique Schechter Vera. Il modello conta 740 milioni di parametri complessivi e proietta testo, codice, immagini, video e audio nello stesso spazio vettoriale. La sua architettura modulare consente di attivare solo le parti necessarie: la sezione testuale‑codice usa circa 270 M di parametri, mentre gli encoder visivo e audio aggiungono rispettivamente 170 M e 300 M. Tutte le configurazioni condividono lo stesso spazio vettoriale, facilitando ricerche semantiche cross‑modalità.

La licenza Apache 2.0, definita da Google "commercially permissive", permette l'uso anche a fini commerciali. EmbeddingGemma 2 si basa sull'architettura Gemma 4 e supporta un contesto di 8.192 token, quattro volte più ampio rispetto alla versione 1. Questo corrisponde a circa 5,5 minuti di audio, 29 immagini o 58 fotogrammi video per singolo input. I vettori nativi sono a 768 dimensioni, ma grazie al Matryoshka Representation Learning è possibile ridurli a 512, 256 o 128 dimensioni, con una riduzione dello spazio di archiviazione fino a 6 volte. La scheda Hugging Face segnala una degradazione sostanziale della qualità multimodale a 128 dimensioni, consigliando quest'ultima solo per carichi puramente testuali.

Per quanto riguarda le prestazioni, Google riporta un punteggio MTEB Code di 78,68, superando di 9,92 punti la versione precedente, mentre il benchmark multilingue v2 resta quasi invariato (61,36 contro 61,15). Altri benchmark a 768 dimensioni includono MIEB lite 64,64, MMEB v2 immagini 57,28, MMEB v2 documenti visivi 67,84, MMEB v2 video 50,67, MSEB retrieval 69,54 e MAEB 49,39. Google dichiara che EmbeddingGemma 2 è al primo posto tra gli embedder multimodali sotto il miliardo di parametri su MTEB Code e MAEB. Tutti questi punteggi, come il primato in classifica, provengono da Google e dalla sua scheda su Hugging Face e non sono ancora stati verificati da terzi.

Secondo Google, su un Pixel 11 Pro e in versione quantizzata, la sola parte testuale occupa circa 191 MB di RAM attiva e il modello completo circa 567 MB. La misura è dichiarata dall'azienda e riguarda un solo dispositivo. I pesi sono disponibili su Hugging Face e Kaggle, e il modello è supportato da numerosi framework (transformers, sentence‑transformers, MLX, vLLM, llama.cpp, SGLang, Ollama, LM Studio, transformers.js/WebGPU) e da MediaPipe/LiteRT per l'esecuzione su device. La scheda avverte che il modello è pre‑addestrato senza allineamento post‑training, safety tuning o moderazione dell'output; gli sviluppatori devono implementare le salvaguardie necessarie. Inoltre, l'uso di float16 è sconsigliato perché può generare NaN o embedding degradati senza segnalare errori.

La scheda avverte che le prestazioni possono variare tra le oltre 100 lingue supportate: la resa specifica sull'italiano non è documentata. L'arrivo nel Model Garden della Gemini Enterprise Agent Platform è annunciato come "coming soon", ancora senza data.

— Pixie