Markdown సంచిక

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

# EmbeddingGemma 2: వచనం, మీడియా కోసం స్థానిక శోధన నమూనా

> Google యొక్క EmbeddingGemma 2 వచనం, చిత్రాలు, వీడియో, ఆడియో ఎంబెడ్డింగ్‌లను ఒకే స్థానిక రిట్రీవల్ మోడల్‌లోకి తీసుకొస్తుంది. ఈ పత్రాధారిత మార్గదర్శకం సెటప్, మూల్యాంకన నిర్ణయాలను వివరిస్తుంది.

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 2026 అక్టోబర్ 6న EmbeddingGemma 2ను విడుదల చేసి Apache 2.0 లైసెన్స్‌తో డౌన్‌లోడ్ చేయగల బరువులను అందించింది. ఈ మోడల్ వచనం, కోడ్, చిత్రాలు, వీడియో, ఆడియోను వెక్టర్లుగా మార్చి ఒకే 768-పరిమాణాల స్థలంలో పోల్చుతుంది. స్థానిక సేకరణ ఉన్న డెవలపర్‌కు ఏ ఎన్‌కోడర్‌లను లోడ్ చేయాలి, క్వెరీలు, ఫైళ్లను ఎలా సూచించాలి, వచ్చిన సరిపోలికలు ఆ సేకరణకు ఉపయోగకరమా అనే ప్రశ్నలు ముఖ్యం. ఈ మార్గదర్శకం Google ప్రచురించిన సూచనలు, మోడల్ కార్డ్‌ను అనుసరిస్తుంది; BIG CHANGE మోడల్‌ను నడపలేదు లేదా రిట్రీవల్ నాణ్యతను కొలవలేదు.

## ప్రధాన మార్పు

- **ఏమి మారింది:**మునుపటి EmbeddingGemma మోడల్ వచనాన్ని మాత్రమే నిర్వహించింది. వెర్షన్ 2లో విజన్, ఆడియో ఎన్‌కోడర్‌లు చేరాయి. దీంతో ముందుగా క్యాప్షన్‌లు లేదా ట్రాన్స్‌క్రిప్ట్‌లు రూపొందించకుండానే, వచన క్వెరీని మద్దతున్న మీడియాతో ఉమ్మడి వెక్టర్ స్థలంలో పోల్చవచ్చు. Google బరువులను విడుదల చేసింది; [Androidలో ML Kit సేవ రాబోయే కొన్ని వారాల్లో అందుబాటులోకి రావచ్చని ప్రకటించింది](https://developers.googleblog.com/google-ai-edge-with-embeddinggemma-2/).
- **ఇది ఎందుకు ముఖ్యం:**డెవలపర్ స్థానిక సేకరణకు అవసరమైన ఎన్‌కోడర్‌లను లోడ్ చేసి మద్దతున్న ఫైల్ రకాలన్నింటికీ ఒకే రిట్రీవల్ సూచికను నిర్మించవచ్చు. [Google యొక్క AI Edge Gallery](https://developers.googleblog.com/google-ai-edge-with-embeddinggemma-2/)SQLiteలో స్థానిక మీడియా వెక్టర్లను నిల్వచేసి cosine similarity ద్వారా క్రమబద్ధీకరించడాన్ని చూపిస్తుంది. అయినా యాప్‌కు ఫైల్ ఇన్‌జెషన్, వెక్టర్ నిల్వ, ఫలితాల ప్రదర్శన, తప్పుదారి పట్టించే సరిపోలికల తనిఖీలు అవసరం.
- **ఏం గమనించాలి:**తక్షణ నిర్ణయం: ప్రతినిధి ఫైళ్లకు పరికరం మెమరీ, ఆలస్య పరిమితుల్లో మంచి ర్యాంకులు వస్తున్నాయా? భవిష్యత్తులో Android సేవ సమీకరణ మార్గాన్ని మార్చవచ్చు; ప్రకటించిన సమయం అంటే సేవ ఇప్పుడు అందుబాటులో ఉందని కాదు.

## మోడల్‌ను లోడ్ చేసే ముందు ఇన్‌పుట్‌లను ఎంచుకోండి

డెవలపర్ [మార్గదర్శకం](https://developers.googleblog.com/en/embeddinggemma-2-the-developer-guide/) మద్దతున్న అన్ని మీడియాల కోసం Sentence Transformers 6.1.0 లేదా కొత్త వెర్షన్‌ను, ఈ ఇన్‌స్టాలేషన్ కమాండ్‌ను సూచిస్తుంది:

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

ఖచ్చితమైన చెక్‌పాయింట్ `google/embeddinggemma-2`. Sentence Transformers డిఫాల్ట్ లోడ్‌లో అన్ని ఎన్‌కోడర్‌లు ఉంటాయి. వచనం, కోడ్ మాత్రమే ఉన్న సేకరణకు లోడ్ సమయంలో విజన్, ఆడియోను తీసివేయాలని మార్గదర్శకం చెబుతుంది:

```python
from sentence_transformers import SentenceTransformer

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

ఆడియోను వదిలి విజన్ ఉంచడానికి `config_kwargs={"audio_config": None}` అవసరం; విజన్‌ను వదిలి ఆడియో ఉంచడానికి `config_kwargs={"vision_config": None}` అవసరం. ఈ ఎంపికలు లోడ్ అయ్యే బరువులను మార్చినా, ఫలిత వెక్టర్లు మోడల్ ఉమ్మడి స్థలంలోనే ఉంటాయి. కాబట్టి మార్గదర్శకం ప్రకారం, విజన్ ఉన్న కాన్ఫిగరేషన్‌తో ఎన్‌కోడ్ చేసిన చిత్రంతో వచన-మాత్రమే క్వెరీని పోల్చవచ్చు. ఈ మోడల్ వినియోగదారు పరికరాలకు సరిపోతుందని Google చెబుతుంది; అయితే ప్రచురించిన Python ఉదాహరణ లైబ్రరీ త్వరిత ప్రారంభం మాత్రమే, పాఠకుడి పరికరంలో మెమరీ లేదా ఆలస్యానికి కొలిచిన హామీ కాదు.

## క్వెరీలు, సేకరణ అంశాలను వేర్వేరుగా ఎన్‌కోడ్ చేయండి

వచన రిట్రీవల్‌కు [మోడల్ కార్డ్](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2) క్వెరీలు, కార్పస్ అంశాలకు వేర్వేరు పని సూచనలను నిర్దేశిస్తుంది. Sentence Transformers వాటిని `prompt_name` ద్వారా అందిస్తుంది:

```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)
```

ఈ పత్రంలోని కోడ్ భాగం వెక్టర్లు, సారూప్యత స్కోరును ఉత్పత్తి చేస్తుంది; ఇది మా వాతావరణంలో గమనించిన ఫలితం కాదు. `Document` చొప్పిస్తుంది `title: none`. అంశానికి నిజమైన శీర్షిక ఉంటే దాన్ని స్పష్టంగా `title: {title} | text: {content}` రూపంలో ఫార్మాట్ చేయాలని Google చెబుతుంది. కోడ్ శోధనకు `CodeRetrieval` క్వెరీ సూచనతో పాటు సూచికలోని కోడ్ శీర్షిక లేదా ఫైల్ పేరు వాడతారు. వర్గీకరణ, క్లస్టరింగ్, వాక్య సారూప్యతకు వాటి స్వంత సమమితీయ సూచనలు ఉంటాయి. వచన సూచనలు లేకున్నా మోడల్ నడుస్తుంది, కానీ ఖచ్చితత్వం తగ్గుతుందని కార్డ్ చెబుతుంది.

మునుపటి `model` లో విజన్ లేదా ఆడియో ఎన్‌కోడర్ లేదు. చిత్రాన్ని ఎన్‌కోడ్ చేయడానికి ముందు అదే చెక్‌పాయింట్ నుంచి మార్గదర్శకంలోని [వచన-విజన్ కాన్ఫిగరేషన్ ](https://developers.googleblog.com/en/embeddinggemma-2-the-developer-guide/)ను లోడ్ చేసి, మీడియా, క్వెరీ రెండింటికీ ఆ మోడల్ వాడండి. ఈ క్రమం డాక్యుమెంటేషన్‌ను అనుసరిస్తుంది; మేము దీన్ని నడపలేదు:

```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)
```

ఆడియో కోసం `audio_config: None`ను తీసివేసి మళ్లీ లోడ్ చేయండి; అప్పుడు ఆడియో ఎన్‌కోడర్ చేర్చబడుతుంది. పూర్తి డిఫాల్ట్ లోడ్‌లో విజన్, ఆడియో రెండూ ఉంటాయి. Google మార్గదర్శకం వచన పని ప్రిఫిక్స్ లేకుండా `{"audio": "recording.wav"}` వంటి డిక్షనరీని ఇస్తుంది. వచనంలో `<|image|>`, `<|video|>` లేదా `<|audio|>` గుర్తులు పెట్టి, డిక్షనరీలో సరిపోలే ఫైళ్లను ఇవ్వడం ద్వారా వచనం, మీడియాను కలపవచ్చు. ఆ కాల్ కలిపిన ఇన్‌పుట్‌కు ఒక వెక్టర్ ఇస్తుంది. మోడల్ కార్డ్ 16 kHz మోనో ఆడియోను నిర్దేశించి, వీడియోను డిఫాల్ట్‌గా సెకనుకు ఒక ఫ్రేమ్ చొప్పున నమూనా తీస్తుందని చెబుతుంది. చిత్రాలు, వీడియో ఫ్రేమ్‌లు, ఆడియో, వచనం అన్నీ 8,192-టోకెన్ సందర్భ పరిమితిని పంచుకుంటాయి. అందువల్ల పొడవైన క్లిప్ లేదా మిశ్రమ అంశానికి ప్రతి ఫైల్ సరిపోతుందని అనుకోకుండా ఇన్‌పుట్‌ను ముందే ప్రణాళిక చేయాలి.

## వెక్టర్ పరిమాణాన్ని ఎంచుకుని, దాని ప్రతిఫలాన్ని పరిశీలించండి

సహజ అవుట్‌పుట్ 768 పరిమాణాలది. వెక్టర్‌ను కుదించడం ద్వారా 512, 256, 128 పరిమాణాలకు Google మోడల్ కార్డ్ మద్దతిస్తుంది. మార్గదర్శకం `truncate_dim=256` ను `normalize_embeddings=True` తో `model.encode()`లో నమోదు చేస్తుంది. క్వెరీ, సూచికలోని అంశాల వెక్టర్ల పరిమాణం ఒకేలా ఉండాలి; తగ్గించిన వెక్టర్లను cosine పోలికకు ముందు సాధారణీకరించాలి. 128 పరిమాణాలు 256తో పోలిస్తే మల్టీమోడల్ నాణ్యతను గణనీయంగా ఎక్కువగా తగ్గిస్తాయని, 128ను ప్రధానంగా వచన పనులకు వాడాలని కార్డ్ చెబుతుంది. ఈ సంఖ్యలు Google పూర్తి-ఖచ్చితత్వ బెంచ్‌మార్క్ ఫలితాలు; నిర్దిష్ట సేకరణలో రీకాల్‌కు అంచనా కావు.

సంఖ్యా ఖచ్చితత్వం కూడా సెటప్ ఎంపికే. మద్దతున్న హార్డ్‌వేర్‌లో `bfloat16` ను, ఇతర చోట్ల—చాలా CPUలతో సహా— `float32` ను వాడాలని కార్డ్ చెబుతుంది. `float16` వల్ల NaNలు రావచ్చు లేదా ఎంబెడ్డింగ్‌లు నిశ్శబ్దంగా నాణ్యత కోల్పోవచ్చని హెచ్చరిస్తుంది. సెలెక్టివ్ లోడింగ్ పారామీటర్ సంఖ్యలు మోడల్ భాగాలను సూచిస్తాయి; అసలు పరికర మెమరీ, శోధన వేగం అమలు మార్గం, ఖచ్చితత్వం, సూచిక, ఇన్‌పుట్ పరిమాణంపై ఆధారపడతాయి.

## ఫలితాలను ఉపయోగించే ముందు ఏమి మూల్యాంకనం చేయాలి

ఒక నమూనా అనుమతించిన చిన్న సెట్‌కు సూచికను రూపొందించి, ప్రతినిధి క్వెరీలను పక్కన ఉంచి, సరైన అంశాలు పైభాగంలో వస్తాయా చూడవచ్చు. సేకరణలో నిజంగా ఉన్న మీడియాకే వచనం-వచనం, వచనం-చిత్రం లేదా వచనం-ఆడియో కేసులు చేర్చండి. అదే క్వెరీలపై 768, 256 పరిమాణాలను పోల్చి, సంబంధిత భాషలు, పత్ర రకాలలో వైఫల్యాలను చూడండి; లక్ష్య పరికరంలో మెమరీ, సూచిక తయారీ సమయం, క్వెరీ ఆలస్యాన్ని కొలవండి. ఇవి పాఠకుడి మూల్యాంకన దశలు; BIG CHANGE చేయలేదు.

మోడల్ కార్డ్‌లోని [ప్రచురిత ఫలితాలు](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2) MTEB code v1లో EmbeddingGemma 2కు 78.68, మునుపటి మోడల్‌కు 68.76 స్కోరు చూపిస్తాయి; multilingual MTEB v2లో అవి 61.36, 61.15. చిత్రం, వీడియో, ఆడియో ఫలితాలూ ఉన్నాయి, కానీ ఆ మాధ్యమాలకు వెర్షన్ 1తో పోలిక లేదు. ఉటంకించిన బెంచ్‌మార్క్‌లన్నీ పూర్తి-ఖచ్చితత్వ చెక్‌పాయింట్‌ను వాడాయి. అవి Google మూల్యాంకన పరిస్థితులను చూపుతాయి; స్థానిక ఆర్కైవ్‌లో ఖచ్చితత్వాన్ని అంచనా వేయవు. భాష, పని ఆధారంగా నాణ్యత మారవచ్చని, రిట్రీవల్ యాప్‌లకు సొంత ఫిల్టరింగ్, న్యాయబద్ధత తనిఖీలు అవసరమని కార్డ్ హెచ్చరిస్తుంది.

బరువులు Apache 2.0 కింద విడుదలయ్యాయి; మార్గదర్శకం వాటి [Hugging Face రిపాజిటరీ](https://huggingface.co/google/embeddinggemma-2)కి లింక్ చేస్తుంది. Google సమాచారం స్థానిక అమలు మార్గాన్ని చూపుతుంది కానీ అందరికీ వర్తించే డిప్లాయ్‌మెంట్ ధరను ఇవ్వదు: పరికరం, కంప్యూట్, నిల్వ, ఇంజినీరింగ్ అనేవి అప్లికేషన్ ఖర్చులు. పాఠకుడి తదుపరి నిర్ణయం: పరికర పరిమితిలో ప్రతినిధి ఫైళ్లకు మోడల్ సరైన ర్యాంకులు ఇస్తుందా అని చూడటం.

## మూలాలు, మరింత చదవండి

- [Google AI Edge ప్రకటన](https://developers.googleblog.com/google-ai-edge-with-embeddinggemma-2/), 2026 అక్టోబర్ 6: విడుదల దశ, AI Edge Gallery స్థానిక మీడియా శోధన అమలు, ప్రకటించిన ML Kit సమయం. ఈ కథనంలోని పరికర కొలతలు Google చేసినవే.
- [EmbeddingGemma 2 డెవలపర్ మార్గదర్శకం](https://developers.googleblog.com/en/embeddinggemma-2-the-developer-guide/), 2026 అక్టోబర్ 6: లైబ్రరీ వెర్షన్, లోడ్ ఎంపికలు, ఎన్‌కోడ్ ఉదాహరణలు, వెక్టర్ కుదింపు సూచనలు.
- [EmbeddingGemma 2 మోడల్ కార్డ్](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2): మోడల్ నిర్మాణం, ఇన్‌పుట్ పరిమితులు, పని ప్రాంప్ట్‌లు, ఖచ్చితత్వ హెచ్చరిక, బెంచ్‌మార్క్ పట్టికలు, పరిమితులు. ఫలితాలు Google నివేదించినవి.
- [Google మోడల్ రిపాజిటరీ](https://huggingface.co/google/embeddinggemma-2): పేర్కొన్న చెక్‌పాయింట్, ప్రచురించిన మోడల్ ఫైళ్లు. రిపాజిటరీ అందుబాటులో ఉండటం అప్లికేషన్ పనితీరును ధృవీకరించదు.

## Sources

- [EmbeddingGemma 2తో మల్టీమోడల్ అర్థ శోధనను ఎడ్జ్‌కు తీసుకురావడం](https://developers.googleblog.com/google-ai-edge-with-embeddinggemma-2/) — విడుదల దశ, Google AI Edge Gallery అమలు, త్వరలో ML Kit ప్రాప్యత; పరికర గణాంకాలు విక్రేత కొలతలు.
- [EmbeddingGemma 2: డెవలపర్ మార్గదర్శకం](https://developers.googleblog.com/en/embeddinggemma-2-the-developer-guide/) — Sentence Transformers 6.1.0+, లోడ్ కాన్ఫిగరేషన్‌లు, పని మరియు మీడియా ఎన్‌కోడ్ ఉదాహరణలు, వెక్టర్ కుదింపు.
- [EmbeddingGemma 2 మోడల్ కార్డ్](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2) — నిర్మాణం, ఇన్‌పుట్ పరిమితులు, ప్రాంప్ట్‌లు, ఖచ్చితత్వం, Google నివేదించిన బెంచ్‌మార్క్ స్కోర్లు, ప్రమాదాలు, పరిమితులు.
- [google/embeddinggemma-2 చెక్‌పాయింట్](https://huggingface.co/google/embeddinggemma-2) — పేర్కొన్న మోడల్ రిపాజిటరీ, ప్రచురించిన ఫైళ్లు, లైసెన్స్.