مدل EmbeddingGemma 2 گوگل برای جستجوی چندرسانه ای روی دستگاه منتشر شد

گوگل مدل EmbeddingGemma 2 را برای جستجوی محلی متن، کد، تصویر، صدا و ویدئو منتشر کرد که تا 567 مگابایت رم مصرف می کند.

به گزارش سرویس هوش مصنوعی تکناکEmbeddingGemma 2 اولین مدل چندوجهی منبع باز و بومی گوگل برای ایجاد جاسازی در دستگاه است. گوگل این مدل را بر اساس معماری Gemma 4 توسعه داد و آن را تحت مجوز Apache 2.0 منتشر کرد.

جاسازی به مدل اجازه می دهد تا انواع مختلف محتوا را به نمایش های عددی تبدیل کند. با استفاده از این نمایش ها، سیستم می تواند رابطه معنایی بین اطلاعات مختلف را تشخیص داده و محتوای مرتبط را بیابد.

برخلاف مدل‌هایی که فقط متن را پردازش می‌کنند، EmbeddingGemma 2 می‌تواند متن، کد، تصاویر، فایل‌های صوتی و ویدیوها را در یک فضای مشترک جاسازی کند. این ویژگی به نرم افزار اجازه می دهد تا حتی زمانی که درخواست کاربر و محتوای مورد نظر در فرمت های مختلف باشد، اطلاعات مرتبط را پیدا کند. گوگل دیپ مایند نیز این محصول را به عنوان اولین مدل متن باز این شرکت با چنین قابلیتی معرفی کرده است.

جستجوی فایل های محلی بدون اینترنت

گوگل EmbeddingGemma 2 را برای اجرا به صورت بومی بر روی گوشی های هوشمند و رایانه های رومیزی بهینه کرده است. این ویژگی امکان جستجوی اطلاعات ذخیره شده در دستگاه را بدون نیاز به اتصال به اینترنت می دهد.

به عنوان مثال، کاربر می تواند با استفاده از یک یادداشت صوتی، یک کلیپ ویدیویی خاص را در بین فایل های خود پیدا کند. همچنین امکان جستجوی چندین ساعت فایل صوتی با استفاده از یک عبارت متنی وجود دارد. این اطلاعات بر روی خود دستگاه پردازش می شود.

گوگل همچنین مدل جدید خود را برای یافتن اطلاعات مرتبط در سیستم های RAG روی دستگاه طراحی کرده است. در این روش EmbeddingGemma 2 ابتدا فایل های مربوط به درخواست کاربر را در دستگاه پیدا می کند. سپس Gemma 4 این فایل ها را بررسی می کند و پاسخ مناسب را ارائه می دهد.

به گفته گوگل، این روش باعث جستجو و پردازش اطلاعات در خود دستگاه می شود و به حافظه کمتری نیاز دارد. توسعه دهندگان همچنین می توانند قابلیت های جستجو و پاسخ هوش مصنوعی را بدون نیاز به پردازش ابری روی دستگاه پیاده سازی کنند.

بیشتر بخوانید: گوگل از مدل Nano Banana 2.1 رونمایی کرد

نسخه 740 میلیونی با حداکثر 567 مگابایت رم

مدل EmbeddingGemma 2 را می توان در تنظیمات از 270 میلیون تا 740 میلیون پارامتر استفاده کرد. مدیر تجربه توسعه دهندگان Google DeepMind Omar Sansevero اعلام کرده است که این مدل همچنین از تعبیه‌های Matryoshka برای افزایش کارایی ذخیره‌سازی استفاده می‌کند.

گوگل می گوید بزرگترین نسخه EmbeddingGemma 2 با 740 میلیون پارامتر، حدود 191 تا 567 مگابایت رم فعال مصرف می کند. مصرف نسبتا کم حافظه یکی از ویژگی هایی است که امکان اجرای این مدل را بر روی دستگاه های شخصی فراهم می کند.

این مدل از پنجره پس زمینه 8000 توکن پشتیبانی می کند. ظرفیت پنجره پس زمینه EmbeddingGemma 2 چهار برابر نسل اول است. مدل جدید می تواند تا 5.5 دقیقه فایل صوتی، 29 تصویر یا 58 فریم ویدیو را در یک مرحله پردازش کند.

گوگل همچنین ادعا می کند که نسخه 740 میلیون پارامتری مدل EmbeddingGemma 2 از برخی مدل های تخصصی با بیش از دو برابر تعداد پارامترها بهتر عمل می کند. این ادعا نشان می دهد که شرکت در طراحی مدل جدید علاوه بر قابلیت پیاده سازی محلی، بر کاهش اندازه مدل نیز تمرکز داشته است.

ساندار پیچای، مدیر عامل گوگل، وزن‌های EmbeddingGemma 2 را در Hugging Face در 6 اکتبر اعلام کرد. انتشار وزن‌ها در کنار مجوز Apache 2.0 به توسعه‌دهندگان اجازه می‌دهد تا از این مدل برای ساخت انواع ابزارهای جستجوی محلی و چندرسانه‌ای استفاده کنند.

EmbeddingGemma 2 عموماً برای برنامه هایی طراحی شده است که به جستجوی همزمان در میان انواع مختلف محتوا نیاز دارند. اجرای محلی، پشتیبانی از پنج نوع محتوا و امکان همکاری با Gemma 4 نیز زمینه استفاده از این مدل را در سیستم های جستجو و RAG روی دستگاه فراهم می کند.

بیشتر بخوانید: گوگل دسترسی رایگان به جمینی را از جمعه متوقف می کند