Google ने 6 अक्टूबर 2026 को EmbeddingGemma 2 जारी किया और Apache 2.0 लाइसेंस के तहत डाउनलोड करने योग्य वज़न दिए। यह मॉडल टेक्स्ट, कोड, छवियों, वीडियो और ऑडियो को वेक्टर में बदलता है, जिनकी तुलना एक साझा 768-आयामी स्थान में की जा सकती है। स्थानीय संग्रह वाले डेवलपर के लिए व्यावहारिक सवाल हैं: कौन-से एन्कोडर लोड करें, क्वेरी और फ़ाइलों को कैसे दर्शाएँ, और क्या परिणाम उस संग्रह के लिए उपयोगी हैं। यह मार्गदर्शिका Google के प्रकाशित निर्देशों और मॉडल कार्ड का अनुसरण करती है; BIG CHANGE ने मॉडल चलाया या रिट्रीवल गुणवत्ता मापी नहीं है।

बड़ा बदलाव

  • क्या बदला:पहले का EmbeddingGemma मॉडल टेक्स्ट संभालता था। संस्करण 2 में विज़न और ऑडियो एन्कोडर जुड़ते हैं, जिससे कैप्शन या ट्रांसक्रिप्ट पहले बनाए बिना टेक्स्ट क्वेरी की तुलना समर्थित मीडिया से साझा वेक्टर स्थान में की जा सकती है। Google ने वज़न जारी कर दिए हैं; Android पर ML Kit सेवा आने वाले हफ्तों में उपलब्ध होने की योजना है.
  • यह क्यों मायने रखता है:डेवलपर स्थानीय संग्रह के लिए ज़रूरी एन्कोडर लोड कर सकता है और समर्थित फ़ाइल प्रकारों का एक ही रिट्रीवल इंडेक्स बना सकता है। Google की AI Edge GallerySQLite में स्थानीय मीडिया वेक्टर और cosine similarity के आधार पर उनकी रैंकिंग दिखाती है। ऐप को फिर भी फ़ाइल इनजेशन, वेक्टर स्टोरेज, परिणाम प्रदर्शन और भ्रामक मेल की जाँच चाहिए।
  • क्या देखना है:तत्काल सवाल यह है कि क्या प्रतिनिधि फ़ाइलें डिवाइस की मेमोरी और विलंबता सीमा में अच्छी रैंक पाती हैं। बाद की Android सेवा एकीकरण का तरीका बदल सकती है; घोषित समय का अर्थ यह नहीं कि सेवा आज उपलब्ध है।

मॉडल लोड करने से पहले इनपुट चुनें

डेवलपर गाइड सभी समर्थित मीडिया के लिए Sentence Transformers 6.1.0 या नए संस्करण और यह इंस्टॉलेशन कमांड बताती है:

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

सटीक checkpoint google/embeddinggemma-2 है। Sentence Transformers का डिफ़ॉल्ट लोड सभी एन्कोडर शामिल करता है। केवल टेक्स्ट और कोड वाले संग्रह के लिए गाइड लोड के समय विज़न और ऑडियो हटाने को कहती है:

Python
from sentence_transformers import SentenceTransformer

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

विज़न रखकर ऑडियो हटाने के लिए config_kwargs={"audio_config": None} चाहिए; ऑडियो रखकर विज़न हटाने के लिए config_kwargs={"vision_config": None} चाहिए। ये विकल्प लोड होने वाले वज़न बदलते हैं, जबकि बने हुए वेक्टर मॉडल के साझा स्थान में रहते हैं। इसलिए गाइड के अनुसार, टेक्स्ट-केवल क्वेरी की तुलना विज़न शामिल करने वाली कॉन्फ़िगरेशन से एन्कोड की गई छवि से की जा सकती है। Google मॉडल को उपभोक्ता उपकरणों के अनुकूल बताता है, लेकिन प्रकाशित Python उदाहरण लाइब्रेरी का quickstart है, पाठक के उपकरण की मेमोरी या विलंबता की मापी हुई गारंटी नहीं।

क्वेरी और संग्रह आइटम को अलग-अलग तरह से एन्कोड करें

टेक्स्ट रिट्रीवल के लिए मॉडल कार्ड क्वेरी और कॉर्पस आइटम के लिए अलग task instruction तय करता है। Sentence Transformers उन्हें prompt_name के ज़रिए देता है:

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)

यह दस्तावेज़ित snippet वेक्टर और समानता स्कोर बनाता है; यह हमारे वातावरण में देखा गया परिणाम नहीं है। Document जोड़ता है title: none। यदि किसी आइटम का वास्तविक शीर्षक हो, तो Google उसे स्पष्ट रूप से title: {title} | text: {content} के रूप में फ़ॉर्मैट करने को कहता है। कोड खोज में CodeRetrieval क्वेरी निर्देश और इंडेक्स किए गए कोड का शीर्षक या फ़ाइल नाम उपयोग होता है। वर्गीकरण, क्लस्टरिंग और वाक्य समानता के अपने सममित निर्देश हैं। मॉडल कार्ड कहता है कि टेक्स्ट निर्देश हटाने पर भी मॉडल चलता है, लेकिन सटीकता घटती है।

पहले वाले model में विज़न या ऑडियो एन्कोडर नहीं है। छवि एन्कोड करने से पहले उसी checkpoint से गाइड की टेक्स्ट-विज़न कॉन्फ़िगरेशन लोड करें, फिर उसी मॉडल से मीडिया और क्वेरी संसाधित करें। यह क्रम दस्तावेज़ का अनुसरण करता है; हमने इसे चलाया नहीं है:

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)

ऑडियो के लिए audio_config: None हटाकर फिर लोड करें, ताकि ऑडियो एन्कोडर चालू हो; पूरा डिफ़ॉल्ट लोड विज़न और ऑडियो दोनों शामिल करता है। Google की गाइड बिना टेक्स्ट task prefix के {"audio": "recording.wav"} जैसा dictionary देती है। टेक्स्ट में <|image|>, <|video|> या <|audio|> marker रखकर और dictionary में संबंधित फ़ाइलें देकर टेक्स्ट व मीडिया भी जोड़े जा सकते हैं। यह कॉल संयुक्त इनपुट के लिए एक वेक्टर बनाती है। मॉडल कार्ड 16 kHz mono ऑडियो बताता है और कहता है कि वीडियो का डिफ़ॉल्ट नमूना प्रति सेकंड एक फ़्रेम है। छवियाँ, वीडियो फ़्रेम, ऑडियो और टेक्स्ट 8,192-token context budget साझा करते हैं; इसलिए लंबी क्लिप या मिश्रित आइटम के इनपुट की योजना बनाएँ, यह न मानें कि हर फ़ाइल समा जाएगी।

वेक्टर का आकार चुनें और समझौता जाँचें

मूल आउटपुट 768 आयाम का है। Google का मॉडल कार्ड वेक्टर काटकर 512, 256 और 128 आयामों का समर्थन करता है। गाइड truncate_dim=256 को normalize_embeddings=True के साथ model.encode() में दर्ज करती है। क्वेरी और इंडेक्स किए गए आइटम के वेक्टर का आयाम समान होना चाहिए; छोटे किए वेक्टर को cosine तुलना से पहले normalize करना ज़रूरी है। कार्ड के अनुसार, 128 आयाम से 256 की तुलना में multimodal गुणवत्ता कहीं अधिक घटती है और 128 मुख्यतः टेक्स्ट कार्यों के लिए सुझाया जाता है। ये Google के full-precision benchmark परिणाम हैं, किसी खास संग्रह की recall का अनुमान नहीं।

संख्यात्मक precision भी सेटअप का एक विकल्प है। कार्ड समर्थित हार्डवेयर पर bfloat16 और अन्य जगहों पर—अधिकांश CPU सहित— float32 उपयोग करने को कहता है। यह चेतावनी देता है कि float16 से NaN आ सकते हैं या embeddings चुपचाप खराब हो सकते हैं। Selective-loading parameter की संख्या मॉडल के घटकों को बताती है; वास्तविक डिवाइस मेमोरी और खोज गति execution path, precision, index और input size पर निर्भर हैं।

परिणामों का उपयोग करने से पहले क्या परखें

प्रोटोटाइप एक छोटे अनुमत नमूने को इंडेक्स कर सकता है, प्रतिनिधि क्वेरी अलग रख सकता है और जाँच सकता है कि सही आइटम ऊपर आते हैं या नहीं। Text-to-text, text-to-image या text-to-audio उदाहरण तभी जोड़ें जब संग्रह में वह मीडिया सचमुच मौजूद हो। समान क्वेरी पर 768 और 256 आयामों की तुलना करें, प्रासंगिक भाषाओं और दस्तावेज़ प्रकारों में विफलताएँ देखें, और लक्षित डिवाइस पर मेमोरी, इंडेक्सिंग समय तथा क्वेरी विलंबता मापें। ये पाठक के मूल्यांकन के चरण हैं; BIG CHANGE ने इन्हें नहीं किया है।

मॉडल कार्ड में प्रकाशित परिणाम MTEB code v1 पर EmbeddingGemma 2 को 78.68 और पिछले मॉडल को 68.76 अंक देते हैं; multilingual MTEB v2 के अंक क्रमशः 61.36 और 61.15 हैं। कार्ड छवि, वीडियो और ऑडियो के परिणाम भी बताता है, लेकिन उन माध्यमों के लिए संस्करण 1 से तुलना नहीं देता। सभी उद्धृत benchmark परिणाम full-precision checkpoint का उपयोग करते हैं। वे Google की मूल्यांकन स्थितियाँ बताते हैं, किसी स्थानीय संग्रह की सटीकता नहीं। कार्ड चेतावनी देता है कि गुणवत्ता भाषा और कार्य के अनुसार बदल सकती है तथा retrieval ऐप्स को अपने फ़िल्टर और निष्पक्षता जाँच चाहिए।

वज़न Apache 2.0 के तहत जारी किए गए हैं और गाइड उनके Hugging Face repository से लिंक करती है। Google की सामग्री स्थानीय निष्पादन का तरीका बताती है, लेकिन सार्वभौमिक deployment लागत नहीं: डिवाइस, compute, storage और engineering ऐप के खर्च हैं। पाठक का अगला निर्णय यह जाँचना है कि मॉडल डिवाइस बजट के भीतर प्रतिनिधि फ़ाइलों को सही क्रम देता है या नहीं।

स्रोत और आगे पढ़ें

  • Google AI Edge घोषणा, 6 अक्टूबर 2026: रिलीज़ चरण, AI Edge Gallery में स्थानीय मीडिया खोज का कार्यान्वयन और ML Kit की घोषित समय-सीमा। इस लेख में डिवाइस के माप Google के हैं।
  • EmbeddingGemma 2 डेवलपर गाइड, 6 अक्टूबर 2026: लाइब्रेरी संस्करण, लोड विकल्प, एन्कोडिंग उदाहरण और वेक्टर काटने के निर्देश।
  • EmbeddingGemma 2 मॉडल कार्ड: मॉडल संरचना, इनपुट सीमाएँ, task prompt, precision चेतावनी, benchmark तालिकाएँ और सीमाएँ। परिणाम Google के बताए हुए हैं।
  • Google मॉडल repository: नामित checkpoint और प्रकाशित मॉडल फ़ाइलें। repository उपलब्ध होने से ऐप का प्रदर्शन सत्यापित नहीं होता।