EmbeddingGemma 2: el nuevo modelo multimodal de Google DeepMind para dispositivos móviles

El 6 de octubre de 2026, Google DeepMind anunció EmbeddingGemma 2 en su blog oficial, en una entrada firmada por los investigadores Sahil Dua y Henrique Schechter Vera. El modelo tiene 740 millones de parámetros en total y proyecta texto, código, imágenes, vídeo y audio en el mismo espacio vectorial. Su arquitectura modular permite activar solo las partes necesarias: la sección de texto y código usa unos 270 M de parámetros, mientras que los codificadores visual y de audio añaden 170 M y 300 M respectivamente. Todas las configuraciones comparten el mismo espacio vectorial, lo que facilita las búsquedas semánticas entre modalidades.

La licencia Apache 2.0, que Google define como «commercially permissive», permite también el uso comercial. EmbeddingGemma 2 se basa en la arquitectura Gemma 4 y admite un contexto de 8192 tokens, cuatro veces mayor que el de la versión 1. Eso equivale a unos 5,5 minutos de audio, 29 imágenes o 58 fotogramas de vídeo por entrada. Los vectores nativos tienen 768 dimensiones, pero gracias al Matryoshka Representation Learning se pueden reducir a 512, 256 o 128, con un ahorro de almacenamiento de hasta 6 veces. La ficha de Hugging Face advierte de una pérdida sustancial de calidad multimodal a 128 dimensiones y recomienda ese tamaño solo para cargas exclusivamente de texto.

En cuanto al rendimiento, Google informa de una puntuación MTEB Code de 78,68, 9,92 puntos por encima de la versión anterior, mientras que el benchmark multilingüe v2 apenas cambia (61,36 frente a 61,15). Otros benchmarks a 768 dimensiones: MIEB lite 64,64, MMEB v2 imágenes 57,28, MMEB v2 documentos visuales 67,84, MMEB v2 vídeo 50,67, MSEB retrieval 69,54 y MAEB 49,39. Google afirma que EmbeddingGemma 2 ocupa el primer puesto entre los embedders multimodales de menos de mil millones de parámetros en MTEB Code y MAEB. Todas estas cifras, igual que el primer puesto, proceden de Google y de su ficha en Hugging Face y aún no han sido verificadas por terceros.

Según Google, en un Pixel 11 Pro y en versión cuantizada, la parte de texto ocupa por sí sola unos 191 MB de RAM activa y el modelo completo unos 567 MB. La medición la declara la propia empresa y se refiere a un único dispositivo. Los pesos están disponibles en Hugging Face y Kaggle, y el modelo es compatible con numerosos frameworks (transformers, sentence-transformers, MLX, vLLM, llama.cpp, SGLang, Ollama, LM Studio, transformers.js/WebGPU) y con MediaPipe/LiteRT para ejecutarse en el propio dispositivo. La ficha avisa de que el modelo está preentrenado sin alineamiento posterior, sin safety tuning y sin moderación de la salida: son los desarrolladores quienes deben implementar las salvaguardas necesarias. Además, se desaconseja float16, porque puede generar NaN o embeddings degradados sin dar ningún error.

La ficha advierte de que el rendimiento puede variar entre los más de 100 idiomas admitidos: el comportamiento específico en italiano no está documentado. La llegada al Model Garden de la Gemini Enterprise Agent Platform se anuncia como «coming soon», todavía sin fecha.

— Pixie