Google ने 6 ऑक्टोबर 2026 रोजी EmbeddingGemma 2 प्रसिद्ध केले आणि Apache 2.0 परवान्याखाली डाउनलोड करता येणारे वजन उपलब्ध केले. हे मॉडेल मजकूर, कोड, प्रतिमा, व्हिडिओ आणि ऑडिओचे व्हेक्टरमध्ये रूपांतर करते; एका 768-परिमाणांच्या सामायिक अवकाशात त्यांची तुलना करता येते. स्थानिक संग्रह असलेल्या विकसकासाठी कोणते एन्कोडर लोड करायचे, क्वेरी आणि फाइल्स कशा दर्शवायच्या आणि निकाल त्या संग्रहासाठी उपयुक्त आहेत का, हे व्यावहारिक प्रश्न आहेत. हे मार्गदर्शन Google च्या प्रकाशित सूचनांवर आणि मॉडेल कार्डवर आधारित आहे; BIG CHANGE ने मॉडेल चालवलेले नाही किंवा पुनर्प्राप्तीची गुणवत्ता मोजलेली नाही.

मोठा बदल

  • काय बदलले:EmbeddingGemma चे आधीचे मॉडेल मजकूर हाताळत होते. आवृत्ती 2 मध्ये व्हिजन आणि ऑडिओ एन्कोडर जोडले आहेत. त्यामुळे आधी कॅप्शन किंवा प्रतिलेख तयार न करता मजकूर क्वेरीची समर्थित माध्यमांशी सामायिक व्हेक्टर अवकाशात तुलना करता येते. Google ने वजन प्रसिद्ध केले आहे; Android वरील ML Kit सेवा येत्या काही आठवड्यांत उपलब्ध होण्याची अपेक्षा आहे.
  • हे महत्त्वाचे का:विकसक स्थानिक संग्रहासाठी आवश्यक एन्कोडर लोड करून समर्थित फाइल प्रकारांसाठी एकच पुनर्प्राप्ती निर्देशांक तयार करू शकतो. Google चे AI Edge GallerySQLite मध्ये स्थानिक माध्यम व्हेक्टर साठवून कोसाइन-साम्याने क्रम लावण्याचे उदाहरण दाखवते. तरीही अॅपला फाइल्स घेणे, व्हेक्टर साठवणे, निकाल दाखवणे आणि दिशाभूल करणाऱ्या जुळण्यांची तपासणी करणे आवश्यक आहे.
  • कशाकडे लक्ष द्यावे:तातडीचा निर्णय म्हणजे प्रतिनिधिक फाइल्सना उपकरणाच्या मेमरी आणि विलंबाच्या मर्यादेत चांगला क्रम मिळतो का. पुढे येणारी Android सेवा एकत्रीकरणाचा मार्ग बदलू शकते; घोषित वेळापत्रक म्हणजे सेवा आज उपलब्ध आहे असा अर्थ नाही.

मॉडेल लोड करण्यापूर्वी इनपुट निवडा

विकसक मार्गदर्शकात सर्व समर्थित माध्यमांसाठी Sentence Transformers 6.1.0 किंवा नंतरची आवृत्ती आणि ही इन्स्टॉलेशन कमांड दिली आहे:

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

अचूक चेकपॉइंट google/embeddinggemma-2 आहे. Sentence Transformers चे डीफॉल्ट लोड सर्व एन्कोडर समाविष्ट करते. फक्त मजकूर आणि कोड असलेल्या संग्रहासाठी लोड करताना व्हिजन आणि ऑडिओ वगळण्यास मार्गदर्शक सांगते:

Python
from sentence_transformers import SentenceTransformer

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

ऑडिओ वगळून व्हिजन ठेवण्यासाठी config_kwargs={"audio_config": None} आवश्यक आहे; व्हिजन वगळून ऑडिओ ठेवण्यासाठी config_kwargs={"vision_config": None} आवश्यक आहे. हे पर्याय कोणती वजने लोड होतील ते बदलतात, पण परिणामी व्हेक्टर मॉडेलच्या सामायिक अवकाशात राहतात. त्यामुळे मार्गदर्शकानुसार, व्हिजन असलेल्या सेटिंगने एन्कोड केलेल्या प्रतिमेशी फक्त-मजकूर क्वेरीची तुलना करता येते. Google हे मॉडेल ग्राहक उपकरणांसाठी योग्य असल्याचे सांगते; मात्र प्रकाशित Python उदाहरण हे लायब्ररीचे द्रुत प्रारंभ मार्गदर्शन आहे, वाचकाच्या उपकरणावरील मेमरी किंवा विलंबाची मोजलेली हमी नाही.

क्वेरी आणि संग्रहातील घटक वेगवेगळ्या प्रकारे एन्कोड करा

मजकूर पुनर्प्राप्तीसाठी मॉडेल कार्ड क्वेरी आणि कॉर्पस घटकांसाठी स्वतंत्र कार्यसूचना देते. Sentence Transformers त्या prompt_name द्वारे पुरवते:

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)

हे दस्तऐवजीकृत उदाहरण व्हेक्टर आणि साम्य गुण तयार करते; हा आमच्या वातावरणात पाहिलेला निकाल नाही. Document घालते title: none. एखाद्या घटकाला खरे शीर्षक असल्यास ते स्पष्टपणे title: {title} | text: {content} अशा स्वरूपात द्यावे, असे Google सांगते. कोड शोधासाठी CodeRetrieval ही क्वेरी सूचना आणि अनुक्रमित कोडचे शीर्षक किंवा फाइलनाव वापरले जाते. वर्गीकरण, गटबांधणी आणि वाक्य-साम्य यांना स्वतंत्र सममितीय सूचना आहेत. मजकूर सूचना वगळल्या तरी मॉडेल चालते, पण अचूकता कमी होते, असे कार्ड सांगते.

आधीच्या model मध्ये व्हिजन किंवा ऑडिओ एन्कोडर नाही. प्रतिमा एन्कोड करण्यापूर्वी त्याच चेकपॉइंटवरून मार्गदर्शकातील मजकूर-व-व्हिजन सेटिंग लोड करा आणि त्या मॉडेलने माध्यम तसेच क्वेरी प्रक्रिया करा. हा क्रम दस्तऐवजांवर आधारित आहे; आम्ही तो चालवलेला नाही:

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)

ऑडिओसाठी audio_config: None वगळून पुन्हा लोड करा, म्हणजे त्याचा एन्कोडर सक्षम होईल; पूर्ण डीफॉल्ट लोडमध्ये व्हिजन आणि ऑडिओ दोन्ही असतात. Google चे मार्गदर्शन मजकूर कार्याचा उपसर्ग न लावता {"audio": "recording.wav"} सारखा शब्दकोश देण्यास सांगते. मजकूरात <|image|>, <|video|> किंवा <|audio|> खूण ठेवून आणि शब्दकोशात जुळणाऱ्या फाइल्स देऊन मजकूर व माध्यम एकत्र करता येतात. त्या कॉलमधून संयुक्त इनपुटसाठी एक व्हेक्टर तयार होतो. मॉडेल कार्ड 16 kHz मोनो ऑडिओ निर्दिष्ट करते आणि डीफॉल्टनुसार व्हिडिओतून दर सेकंदाला एक फ्रेम घेतली जाते असे सांगते. प्रतिमा, व्हिडिओ फ्रेम्स, ऑडिओ आणि मजकूर यांचा 8,192-टोकन संदर्भ-बजेट समान आहे; त्यामुळे लांब क्लिप किंवा मिश्र घटकांसाठी प्रत्येक फाइल बसेल असे गृहीत न धरता इनपुट नियोजित करावे.

व्हेक्टरचा आकार ठरवा आणि तडजोड तपासा

मूळ आउटपुट 768 परिमाणांचे आहे. Google चे मॉडेल कार्ड व्हेक्टर कापून 512, 256 आणि 128 परिमाणांना समर्थन देते. मार्गदर्शक truncate_dim=256 आणि normalize_embeddings=True यांचा model.encode() मध्ये वापर नोंदवते. क्वेरी आणि अनुक्रमित घटकांच्या व्हेक्टरचे परिमाण समान असणे आवश्यक आहे; कमी केलेले व्हेक्टर कोसाइन तुलना करण्यापूर्वी सामान्यीकृत करावे लागतात. कार्डानुसार, 128 परिमाणांमुळे 256 पेक्षा बहुमाध्यम गुणवत्तेची हानी खूप जास्त होते; 128 मुख्यतः मजकूर कामांसाठी सुचवले आहे. हे Google च्या पूर्ण-अचूकता बेंचमार्कचे आकडे आहेत, विशिष्ट संग्रहातील पुनर्प्राप्तीचा अंदाज नाही.

संख्यात्मक अचूकता हा आणखी एक सेटअप निर्णय आहे. समर्थन असलेल्या हार्डवेअरवर bfloat16 किंवा इतरत्र—बहुतेक CPU सहित— float32 वापरण्यास कार्ड सांगते. float16 मुळे NaN येऊ शकतात किंवा एम्बेडिंगची गुणवत्ता न कळत कमी होऊ शकते, असा इशारा आहे. निवडक लोडिंगचे पॅरामीटर-मोजमाप मॉडेलचे भाग दर्शवतात; प्रत्यक्ष उपकरणाची मेमरी आणि शोधवेग अंमलबजावणीचा मार्ग, अचूकता, निर्देशांक आणि इनपुटच्या आकारावर अवलंबून असतो.

निकाल वापरण्यापूर्वी काय तपासावे

नमुना म्हणून परवानगी असलेल्या छोट्या संचाचा निर्देशांक तयार करा, प्रतिनिधिक क्वेरी बाजूला ठेवा आणि योग्य घटक वरच्या क्रमांकांत येतात का ते पाहा. संग्रहात प्रत्यक्ष माध्यमे असतील तेव्हाच मजकूर-मजकूर, मजकूर-प्रतिमा किंवा मजकूर-ऑडिओ चाचण्या घ्या. त्याच क्वेरींवर 768 आणि 256 परिमाणांची तुलना करा, संबंधित भाषा व दस्तऐवज प्रकारांतील अपयश तपासा आणि लक्ष्यित उपकरणावर मेमरी, निर्देशांक तयार करण्याचा वेळ व क्वेरी विलंब मोजा. हे वाचकासाठी मूल्यमापनाचे टप्पे आहेत; BIG CHANGE ने ते केलेले नाहीत.

मॉडेल कार्डचे प्रसिद्ध निकाल MTEB code v1 वर EmbeddingGemma 2 ला 78.68 आणि आधीच्या मॉडेलला 68.76 गुण देतात; multilingual MTEB v2 चे गुण अनुक्रमे 61.36 आणि 61.15 आहेत. कार्ड प्रतिमा, व्हिडिओ आणि ऑडिओचे निकालही देते, पण त्या माध्यमांसाठी आवृत्ती 1 ची तुलना नाही. उद्धृत सर्व बेंचमार्क निकाल पूर्ण-अचूकता चेकपॉइंट वापरतात. ते Google च्या मूल्यमापनाच्या अटी दर्शवतात, स्थानिक संग्रहातील अचूकतेचा अंदाज नाही. भाषा व कामानुसार गुणवत्ता बदलू शकते आणि पुनर्प्राप्ती अॅप्सना स्वतःचे फिल्टरिंग व निष्पक्षता तपासणे आवश्यक आहे, असा कार्डचा इशारा आहे.

वजने Apache 2.0 परवान्याखाली प्रसिद्ध झाली आहेत आणि मार्गदर्शक त्यांच्या Hugging Face संग्रहाकडे दुवा देते. Google ची सामग्री स्थानिक अंमलबजावणीचा मार्ग दाखवते, पण सार्वत्रिक तैनाती किंमत देत नाही: उपकरण खरेदी, संगणकीय साधने, साठवण आणि अभियांत्रिकी हे अॅपचे खर्च आहेत. वाचकाने पुढे तपासायचे म्हणजे उपकरणाच्या बजेटमध्ये मॉडेल प्रतिनिधिक फाइल्सना योग्य क्रम देते का.

स्रोत आणि पुढील वाचन

  • Google AI Edge घोषणा, 6 ऑक्टोबर 2026: प्रसिद्धीचा टप्पा, AI Edge Gallery मधील स्थानिक माध्यम-शोध अंमलबजावणी आणि ML Kit ची घोषित वेळ. या लेखातील उपकरण-मोजमाप Google चे आहेत.
  • EmbeddingGemma 2 विकसक मार्गदर्शक, 6 ऑक्टोबर 2026: लायब्ररी आवृत्ती, लोडिंग पर्याय, एन्कोडिंग उदाहरणे आणि व्हेक्टर कापण्याच्या सूचना.
  • EmbeddingGemma 2 मॉडेल कार्ड: मॉडेल रचना, इनपुट मर्यादा, कार्य-सूचना, अचूकतेचा इशारा, बेंचमार्क तक्ते आणि मर्यादा. निकाल Google ने नोंदवले आहेत.
  • Google मॉडेल संग्रह: नमूद केलेला चेकपॉइंट आणि प्रसिद्ध केलेल्या मॉडेल फाइल्स. संग्रह उपलब्ध असणे म्हणजे अॅपमधील कामगिरी प्रमाणित झाली असे नाही.