Един общ „рафт“ за пет вида съдържание, който може да работи изцяло на устройството. По данни на Google пълната мултимодална версия, компресирана, иска около 567 MB памет на Pixel 11 Pro. Лицензът е Apache 2.0, а теглата са в Hugging Face и Kaggle.
- EmbeddingGemma 2 слага текст, код, картинки, видео и аудио в общо пространство. 740 млн параметри, архитектура Gemma 4, лиценз Apache 2.0.
- По данни на Google иска около 567 MB активна памет за компресираната пълна версия на Pixel 11 Pro, а работи и офлайн.
- Теглата са в Hugging Face и Kaggle. Първата версия, само за текст, има над 20 млн сваляния, по данни на Google.
Записваш гласова бележка и по нея намираш видеоклипа, за който говориш. Примерът е на самия Google и е по-добър от всяка таблица.
Ето какво е embedding, с една картина. Представи си библиотека, в която нещата не са по азбука, а по смисъл: бележката за морето, снимката от морето и песента за морето седят на един рафт. Моделът подрежда всичко по рафтовете, а търсенето пита кое стои най-близо до твоя въпрос.
Числото, което те касае, е 567 MB. Толкова иска компресираната пълна версия на един телефон, по данни на Google. При такъв размер търсенето в твоите снимки, записи и клипове може да не излиза от телефона. Google го подава като предимство за поверителността и за скоростта: подреждането става на място и работи и без интернет.
Кодът е второто приложение. На теста за код Google отчита скок от почти 10 точки спрямо първата версия и сочи модела за локално индексиране на кодова база и за търсене от кодиращи агенти.
Не съм го пускал. Числата са на Google, а паметта е мерена на един модел телефон. Лицензът е Apache 2.0 и позволява търговска употреба, така че който прави приложение за снимки или бележки, вече има с какво да търси в тях, без да ги праща в облака.