Google DeepMind lanceert EmbeddingGemma 2 voor multimodale embeddings

Google DeepMind heeft EmbeddingGemma 2 gelanceerd, een geavanceerd model voor multimodale embeddings dat tekst, afbeeldingen, audio en video in een gezamenlijke embedding ruimte kan verwerken. Dit nieuwe model is gebouwd op de Gemma 4-architectuur en heeft 740 miljoen parameters, waardoor het bijzonder geschikt is voor inferentie op apparaten.

EmbeddingGemma 2 volgt op de succesvolle introductie van het eerste model, dat meer dan 20 miljoen keer is gedownload. Het biedt ontwikkelaars de mogelijkheid om krachtige zoektools en privacygerichte retrieval augmented generation (RAG) pipelines te bouwen, allemaal lokaal op consumentenhardware.

Met verbeterde prestaties in meerdere talen en een significante vooruitgang van 9.92 punten voor codeprestaties, is EmbeddingGemma 2 ideaal voor lokale indexering van code, semantische codezoekopdrachten en het ophalen van code-agenten. Het model stelt nieuwe kwaliteitsnormen voor sub-1B modellen en overtreft zelfs sommige specialistische modellen die meer dan twee keer zo groot zijn.

Een belangrijk voordeel van EmbeddingGemma 2 is dat het robuuste mogelijkheden biedt direct op edge-hardware, wat de privacy van gegevens waarborgt en de latentie in pipelines vermindert. Dit maakt het mogelijk om cross-modale zoek- en retrievalsystemen te bouwen die volledig offline functioneren.

Voor organisaties die werken met AI en identiteitsbeheer, biedt de lancering van EmbeddingGemma 2 een kans om multimodale zoekfunctionaliteiten te integreren in hun applicaties. Dit kan vooral waardevol zijn voor toepassingen die afhankelijk zijn van het combineren van verschillende datatypes, zoals tekst en media, voor een verbeterde gebruikerservaring.