谷歌把AI搜索塞进手机！不到600MB，照片、视频、录音断网照样搜

EmbeddingGemma 2：首个原生多模态开源嵌入模型

10月6日，谷歌开源EmbeddingGemma 2，把一个能搜图、看视频、听声音的搜索引擎，塞进了一个内存不到600MB的小模型！文字、代码、图片、视频、音频，都能用一句话一起搜了，这在谷歌的开源模型里还是第一次。

740M参数，手机、笔记本、浏览器都能离线跑。谷歌CEO Sundar Pichai也亲自下场安利：这是谷歌首个原生多模态开源嵌入模型。

本地多模态检索：一句「鸟在唱歌」同时召回照片与录音

它的一大突破，是让手机也能在本地搜图片、视频和声音。演示中，只要输入一句「鸟在唱歌」，鸟的照片和鸟叫录音就能一起找到。

发布一个多小时后，Hugging Face的Victor M就让它在浏览器里跑了起来。他在搜索框里敲下「birds singing」（鸟在唱歌），屏幕上的格子立刻重新排序：排到最前面的，既有鸟的照片，也有显示着波形的鸟叫录音。

整个查询只用了22毫秒，不走服务器，也没调任何API。

应用接入它后，你就能让AI帮你找手机里的照片、录音和视频，不必先把文件上传到云端。

统一语义空间：文字、图片、声音可互相检索

Embedding这东西，普通用户平时看不见，但很多AI搜索和RAG问答，背后都靠它找资料。它干的活，是把一段内容变成一串数字，相当于在一个巨大的空间里，给每段内容安排一个坐标。意思越接近，坐标就越靠近。搜索时，系统再去找与问题最接近的那些内容。

上一代EmbeddingGemma只处理文字。要搜图片和声音，往往还得接上其他模型，或先把它们转成文字。EmbeddingGemma 2把这些内容放进了同一个768维空间。

比如，猫的照片、「cat」这个词和猫叫声，就能在这个空间里按语义关联起来。

于是，你可以用一句话搜图片、搜视频，也可以用一段语音，找到视频里对应的片段。它还能把文字、图片和视频放在一起，让你一次搜到包含这些内容的整条信息。

谷歌在模型卡里举了个例子：一双跑鞋的商品页，包含文字介绍、两张细节图，以及鞋子在湿滑岩石上的防滑测试视频。模型能把这组内容转成一个向量，用来匹配「适合越野跑的防水鞋」这样的搜索。

一次能处理的内容也更多了。8K上下文窗口，是上一代的4倍。只输入单一类型的内容时，最多能容纳约5.5分钟音频、29张图片，或58帧视频。它还支持100多种语言。

性能对比：图像与视频检索大幅领先同量级模型

谷歌把它和几个同量级的模型放在一起比了一轮，差距最大的是看图和看视频。

EmbeddingGemma 2在图像和视频检索上，明显领先Jina v5 Omni-Nano。在谷歌公布的测试中，EmbeddingGemma 2的图像检索得分为57.3，比它参数量大三成的Jina v5 Omni-Nano只有31.6。视频检索也拉开了差距：50.7分对31.2分，领先近20分。在多语言文本测试上，它和上一代基本持平。

567MB：手机自己当搜索引擎

这么多本事，全装在740M参数里。其中文本部分占270M，视觉编码器170M，音频编码器300M，可以按需加载。只搜文字，就加载270M；要搜图片，再加上视觉部分，总共440M。

在谷歌的Pixel 11 Pro测试中，量化后的纯文本模型，内存占用最低约191MB，完整多模态模型约567MB。

它还支持给搜索索引「瘦身」：用更少的数字记录每段内容的含义，占用的存储空间就能减少三分之二。在谷歌的多语言文本检索测试中，得分只下降了不到1分。

谷歌自己做了几个应用打样：AI Edge Gallery里的Instant Media Search，能让你在相册里按意思搜照片。Video Moments Finder更直观，说一句话，就能定位视频里对应的片段。另一个应用Foresight，则把它与Gemma 4搭配起来，在Mac上离线检索文件和会议记录。

开发者这边，llama.cpp已经提供支持，Unsloth也放出了量化版，方便把模型部署到本地。

据Mac应用Nativ公布的实测，在M5 Max上，8-bit量化版生成的向量，与原版的余弦相似度达到0.9997，文本嵌入速度达到每秒817条。

真实场景验证：多语言、错别字、低功耗设备均通过测试

土耳其开发者Avenox的测试，更贴近日常。他的笔记大多用英文写，提问却习惯用土耳其语。以前靠关键词匹配，两边的词对不上，相关笔记就可能搜不到。他让Claude花一个小时搭了个测试台，选出40条笔记，再分别换个说法，用土耳其语提问，看正确笔记能不能进入前18个候选。

据他公布的结果，关键词匹配的命中比例只有15%；换上EmbeddingGemma 2，升到了97%。他又拿30条平时随手输入、带有错别字的真实消息测试。模型找到的相关笔记数量，是关键词匹配的两倍。每次查询约50毫秒，全程在本地运行。

还有人玩得更野。开发者Nick Lo把它装进一块Nano开发板。输入一句话，模型只需约15毫秒，就能把这句话转成用于搜索的一串数字。找到对应图片后，再交给一块ESP32-S3单片机，把图像逐行画出来。

Coding Agent也能本地搜代码

除了多模态，代码检索也有明显提升。在代码检索基准MTEB Code上，它从上一代的68.76分涨到78.68分，一口气涨了近10分，谷歌称，这一成绩在同尺寸模型中领先。

这对写代码的Agent很实用。Claude Code、Codex这类工具干活之前，都要先在整个代码库里找到相关的那几段。有了270M的纯文本版，开发者就能在本地为代码库建立索引，再用大白话查找相关代码。建索引和检索这两步，都可以留在本地。

AI搜索正式搬进你的手机

今年3月，谷歌在云端发过多模态的Gemini Embedding 2，通过API调用，按用量付费。半年多后，谷歌又把多模态检索带进了一个能在手机上运行的开源小模型。照片、录音和视频，也有了留在本地检索的选项。

谷歌给出的一个用法，是把它与Gemma 4搭配，做离线、隐私优先的RAG。一个负责找资料，一个负责根据资料回答，检索和问答都能在设备上完成。

过去，要用AI搜索照片、视频和录音，很多时候得把内容交给云端处理。现在，这种检索能力只要几百MB，就有机会装进每个人的口袋。