EmbeddingGemma 2: o novo modelo multimodal da Google DeepMind para dispositivos móveis

Em 6 de outubro de 2026, a Google DeepMind anunciou o EmbeddingGemma 2 no seu blog oficial, num texto assinado pelos pesquisadores Sahil Dua e Henrique Schechter Vera. O modelo tem 740 milhões de parâmetros no total e projeta texto, código, imagens, vídeo e áudio no mesmo espaço vetorial. A arquitetura modular permite ativar apenas as partes necessárias: a seção de texto e código usa cerca de 270 M de parâmetros, enquanto os codificadores visual e de áudio acrescentam 170 M e 300 M, respectivamente. Todas as configurações compartilham o mesmo espaço vetorial, o que facilita buscas semânticas entre modalidades.

A licença Apache 2.0, que a Google define como “commercially permissive”, permite também o uso comercial. O EmbeddingGemma 2 se baseia na arquitetura Gemma 4 e suporta um contexto de 8.192 tokens, quatro vezes maior que o da versão 1. Isso equivale a cerca de 5,5 minutos de áudio, 29 imagens ou 58 quadros de vídeo por entrada. Os vetores nativos têm 768 dimensões, mas graças ao Matryoshka Representation Learning podem ser reduzidos a 512, 256 ou 128 dimensões, diminuindo o espaço de armazenamento em até 6 vezes. A ficha no Hugging Face aponta uma queda substancial da qualidade multimodal com 128 dimensões e recomenda esse tamanho apenas para cargas puramente textuais.

Quanto ao desempenho, a Google informa uma pontuação MTEB Code de 78,68, 9,92 pontos acima da versão anterior, enquanto o benchmark multilíngue v2 fica praticamente igual (61,36 contra 61,15). Outros benchmarks com 768 dimensões: MIEB lite 64,64, MMEB v2 imagens 57,28, MMEB v2 documentos visuais 67,84, MMEB v2 vídeo 50,67, MSEB retrieval 69,54 e MAEB 49,39. A Google afirma que o EmbeddingGemma 2 está em primeiro lugar entre os embedders multimodais com menos de um bilhão de parâmetros no MTEB Code e no MAEB. Todas essas pontuações, assim como o primeiro lugar, vêm da Google e da sua ficha no Hugging Face e ainda não foram verificadas por terceiros.

Segundo a Google, num Pixel 11 Pro e em versão quantizada, só a parte textual ocupa cerca de 191 MB de RAM ativa e o modelo completo cerca de 567 MB. A medição é declarada pela própria empresa e se refere a um único aparelho. Os pesos estão disponíveis no Hugging Face e no Kaggle, e o modelo é suportado por vários frameworks (transformers, sentence-transformers, MLX, vLLM, llama.cpp, SGLang, Ollama, LM Studio, transformers.js/WebGPU) e pelo MediaPipe/LiteRT para execução no dispositivo. A ficha alerta que o modelo é apenas pré-treinado, sem alinhamento pós-treinamento, safety tuning ou moderação da saída; cabe aos desenvolvedores implementar as salvaguardas necessárias. Além disso, o uso de float16 é desaconselhado, porque pode gerar NaN ou embeddings degradados sem indicar nenhum erro.

A ficha avisa que o desempenho pode variar entre os mais de 100 idiomas suportados: o comportamento específico em italiano não está documentado. A chegada ao Model Garden da Gemini Enterprise Agent Platform foi anunciada como “coming soon”, ainda sem data.

— Pixie