Edición en Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# EmbeddingGemma 2: un prototipo local para buscar en texto y medios

> EmbeddingGemma 2 de Google reúne las representaciones vectoriales de texto, imágenes, vídeo y audio en un único modelo de recuperación local. Esta guía, basada en la documentación, organiza las decisiones de configuración y evaluación.

By BIG CHANGE Editorial

Published: 2026-10-06T20:48:02.995Z
Updated: 2026-10-06T20:48:02.995Z
Canonical: https://bigchange.ai/blog/embeddinggemma-2-local-multimodal-search-guide

![Conceptual illustration of one person seated on a rug, holding a phone and a landscape photo beside a box of personal prints and paper records.](https://bigchange.ai/api/media/file/embeddinggemma-personal-collection-hero-v1.png)
A person considers a small personal collection of photos and records beside a phone. Conceptual AI-generated illustration by BIG CHANGE; it does not show an EmbeddingGemma 2 interface or tested search result.

Google publicó EmbeddingGemma 2 el 6 de octubre de 2026 y ofrece sus pesos descargables con licencia Apache 2.0. El modelo convierte texto, código, imágenes, vídeo y audio en vectores comparables en un mismo espacio de 768 dimensiones. Para quien tenga una colección local, las decisiones prácticas son qué codificadores cargar, cómo representar consultas y archivos, y si los resultados sirven para esa colección. Esta guía sigue las instrucciones y la ficha del modelo publicadas por Google; BIG CHANGE no ha ejecutado el modelo ni medido su calidad de recuperación.

## El gran cambio

- **Qué ha cambiado:** El modelo anterior de EmbeddingGemma procesaba texto. La versión 2 añade codificadores de visión y audio, de modo que una consulta de texto puede compararse con medios compatibles en un espacio vectorial compartido, sin generar antes subtítulos ni transcripciones. Google ya ha publicado los pesos; [está previsto que el servicio ML Kit para Android llegue en las próximas semanas](https://developers.googleblog.com/google-ai-edge-with-embeddinggemma-2/).
- **Por qué importa:** Un desarrollador puede cargar los codificadores que necesita una colección local y crear un único índice de recuperación para los tipos de archivo compatibles. [AI Edge Gallery de Google](https://developers.googleblog.com/google-ai-edge-with-embeddinggemma-2/) muestra vectores de medios locales en SQLite, ordenados por similitud coseno. La aplicación aún debe incorporar archivos, guardar vectores, mostrar resultados y detectar coincidencias engañosas.
- **Qué conviene observar:** La decisión inmediata es si los archivos representativos se ordenan bien dentro del presupuesto de memoria y latencia del dispositivo. El futuro servicio de Android podría cambiar la vía de integración; la fecha anunciada no significa que ya esté disponible.

## Elige las entradas antes de cargar el modelo

La [guía para desarrolladores](https://developers.googleblog.com/en/embeddinggemma-2-the-developer-guide/) documenta Sentence Transformers 6.1.0 o posterior y este comando de instalación para todos los medios compatibles:

```bash
pip install -U sentence-transformers[image,audio,video] transformers
```

El checkpoint exacto es `google/embeddinggemma-2`. La carga predeterminada de Sentence Transformers incluye todos los codificadores. Para una colección que solo contenga texto y código, la guía indica que se omitan visión y audio al cargar:

```python
from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "google/embeddinggemma-2",
    config_kwargs={"vision_config": None, "audio_config": None},
)
```

Para conservar visión y omitir audio se necesita `config_kwargs={"audio_config": None}`; para conservar audio y omitir visión, `config_kwargs={"vision_config": None}`. Estas opciones cambian los pesos que se cargan, pero los vectores resultantes siguen en el espacio compartido del modelo. Por eso, según la guía, una consulta solo de texto puede compararse con una imagen codificada con una configuración que incluya visión. Google describe el modelo como adecuado para dispositivos de consumo, pero el ejemplo de Python publicado es un inicio rápido de biblioteca, no una garantía medida de memoria o latencia para el dispositivo de cada lector.

## Codifica de forma distinta las consultas y los elementos de la colección

Para recuperar texto, la [ficha del modelo](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2) especifica instrucciones de tarea distintas para las consultas y los elementos del corpus. Sentence Transformers las aplica mediante `prompt_name`:

```python
query_vector = model.encode("northern lights", prompt_name="SearchQuery")
document_vector = model.encode(
    "Charged particles from the sun cause the northern lights.",
    prompt_name="Document",
)
score = model.similarity(query_vector, document_vector)
```

Este fragmento documentado genera vectores y una puntuación de similitud; no es un resultado observado en nuestro entorno. `Document` inserta `title: none`. Si el elemento tiene un título real, Google indica que se formatee explícitamente como `title: {title} | text: {content}`. La búsqueda de código usa la instrucción de consulta `CodeRetrieval` junto con un título o nombre de archivo del código indexado. La clasificación, la agrupación y la similitud entre frases tienen sus propias instrucciones simétricas. La ficha señala que el modelo sigue funcionando sin las instrucciones de texto, pero con menor precisión.

El modelo anterior `model` no tiene codificador de visión ni de audio. Antes de codificar una imagen, carga desde el mismo checkpoint la [configuración de texto y visión de la guía](https://developers.googleblog.com/en/embeddinggemma-2-the-developer-guide/) y usa ese modelo tanto para el medio como para la consulta. Esta secuencia sigue la documentación; no la hemos ejecutado:

```python
media_model = SentenceTransformer(
    "google/embeddinggemma-2",
    config_kwargs={"audio_config": None},
)
image_vector = media_model.encode({"image": "photo.jpg"})
query_vector = media_model.encode("a photo query", prompt_name="SearchQuery")
score = media_model.similarity(query_vector, image_vector)
```

Para audio, vuelve a cargar el modelo omitiendo `audio_config: None` y así habilita su codificador; la carga completa predeterminada incluye visión y audio. La guía de Google pasa un diccionario como `{"audio": "recording.wav"}` sin prefijo de tarea de texto. También se puede combinar texto y medios colocando en el texto los marcadores `<|image|>`, `<|video|>` o `<|audio|>` y aportando los archivos correspondientes en el diccionario. Esa llamada genera un vector para la entrada combinada. La ficha del modelo especifica audio mono a 16 kHz y dice que, por defecto, el vídeo se muestrea a un fotograma por segundo. Imágenes, fotogramas, audio y texto comparten el límite de contexto de 8.192 tokens; por eso, un clip largo o una entrada mixta exige planificar los datos, no dar por hecho que cabe cualquier archivo.

## Elige el tamaño del vector y comprueba el equilibrio

La salida nativa tiene 768 dimensiones. La ficha de Google admite 512, 256 y 128 dimensiones truncando el vector. La guía documenta `truncate_dim=256` con `normalize_embeddings=True` en `model.encode()`. Los vectores de consulta y de elementos indexados deben tener la misma dimensión; los vectores acortados necesitan normalizarse antes de compararlos por coseno. Según la ficha, 128 dimensiones pierde bastante más calidad multimodal que 256, y se recomienda sobre todo para cargas de trabajo de texto. Son resultados de referencia de Google con precisión completa, no una predicción de recuperación para una colección concreta.

La precisión numérica es otra decisión de configuración. La ficha aconseja usar `bfloat16` en el hardware compatible o `float32` en otros equipos, incluidos la mayoría de los CPU. Advierte que `float16` puede producir NaN o degradar las representaciones sin avisar. Los recuentos de parámetros de carga selectiva describen componentes del modelo; la memoria real y la velocidad de búsqueda dependen de la ejecución, la precisión, el índice y el tamaño de entrada.

## Qué evaluar antes de usar los resultados

Un prototipo puede indexar una pequeña muestra autorizada, reservar consultas representativas y comprobar si los elementos correctos aparecen entre los primeros resultados. Incluye casos de texto a texto, de texto a imagen o de texto a audio solo si la colección contiene esos medios. Compara 768 y 256 dimensiones con las mismas consultas, revisa los fallos en los idiomas y tipos de documento pertinentes, y mide memoria, tiempo de indexación y latencia en el dispositivo previsto. Son pasos de evaluación para el lector; BIG CHANGE no los ha realizado.

Los [resultados publicados en la ficha del modelo](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2) sitúan EmbeddingGemma 2 en 78,68 frente a 68,76 del modelo anterior en MTEB code v1; en multilingual MTEB v2, las puntuaciones son 61,36 y 61,15. La ficha también informa resultados de imagen, vídeo y audio, sin comparador de la versión 1 para esas modalidades. Todos los resultados citados usan el checkpoint de precisión completa. Describen las condiciones de evaluación de Google, no la precisión en un archivo local. La ficha advierte que la calidad varía según el idioma y la tarea, y que las aplicaciones de recuperación necesitan filtros y controles de equidad propios.

Los pesos se publican con licencia Apache 2.0 y la guía enlaza a su [repositorio en Hugging Face](https://huggingface.co/google/embeddinggemma-2). Los materiales de Google describen una forma de ejecución local, pero no un precio universal de despliegue: el dispositivo, el cómputo, el almacenamiento y la ingeniería son costes de cada aplicación. Para este lector, la siguiente decisión es comprobar si el modelo ordena correctamente archivos representativos dentro del presupuesto del dispositivo.

## Fuentes y lecturas adicionales

- [Anuncio de Google AI Edge](https://developers.googleblog.com/google-ai-edge-with-embeddinggemma-2/), 6 de octubre de 2026: fase de lanzamiento, búsqueda local de medios en AI Edge Gallery y calendario anunciado para ML Kit. Las mediciones de dispositivos citadas en esta publicación son de Google.
- [Guía para desarrolladores de EmbeddingGemma 2](https://developers.googleblog.com/en/embeddinggemma-2-the-developer-guide/), 6 de octubre de 2026: versión de la biblioteca, opciones de carga, ejemplos de codificación e instrucciones para truncar vectores.
- [Ficha del modelo EmbeddingGemma 2](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2): arquitectura, límites de entrada, instrucciones de tarea, advertencia sobre precisión, tablas de referencia y limitaciones. Los resultados son de Google.
- [Repositorio del modelo de Google](https://huggingface.co/google/embeddinggemma-2): checkpoint indicado y archivos publicados. Que el repositorio esté disponible no valida el rendimiento de una aplicación.

## Sources

- [Lleva la búsqueda semántica multimodal al dispositivo con EmbeddingGemma 2](https://developers.googleblog.com/google-ai-edge-with-embeddinggemma-2/) — Fase de lanzamiento, implementación en Google AI Edge Gallery y próximo acceso a ML Kit; las cifras de dispositivos son mediciones del proveedor.
- [EmbeddingGemma 2: guía para desarrolladores](https://developers.googleblog.com/en/embeddinggemma-2-the-developer-guide/) — Sentence Transformers 6.1.0 o posterior, configuraciones de carga, ejemplos de tareas y codificación de medios, y truncamiento de vectores.
- [Ficha del modelo EmbeddingGemma 2](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2) — Arquitectura, límites de entrada, instrucciones, precisión, puntuaciones de referencia publicadas por Google, riesgos y limitaciones.
- [Checkpoint google/embeddinggemma-2](https://huggingface.co/google/embeddinggemma-2) — Repositorio del modelo indicado, archivos publicados y licencia.