谷歌把多模态AI搜索塞进手机，不到600MB断网也能搜

10月6日，谷歌开源EmbeddingGemma 2，将能搜图、看视频、听声音的搜索引擎装进内存不到600MB的小模型。这是谷歌首个原生多模态开源嵌入模型，文字、代码、图片、视频、音频都能用一句话一起搜，740M参数，手机、笔记本、浏览器均可离线运行。谷歌CEO Sundar Pichai亲自推荐。

Embedding技术将内容转为数字坐标，意思越接近坐标越近，是AI搜索和RAG问答的基础。上一代仅处理文字，新一代将内容放入同一768维空间，猫的照片、“cat”一词和猫叫声可按语义关联。用户可用一句话搜图片、视频，或用语音找视频片段，还能一次搜到包含文字、图片和视频的整条信息。模型支持8K上下文窗口，是上一代4倍，单一类型输入最多容纳约5.5分钟音频、29张图片或58帧视频，支持100多种语言。

性能上，图像检索得分57.3，远超参数量大三成的Jina v5 Omni-Nano的31.6；视频检索50.7分对31.2分，领先近20分；多语言文本测试与上一代基本持平。代码检索基准MTEB Code从68.76分涨至78.68分，同尺寸模型中领先。

740M参数中，文本部分270M，视觉编码器170M，音频编码器300M，可按需加载。Pixel 11 Pro测试中，量化后纯文本模型内存占用最低约191MB，完整多模态约567MB。支持索引“瘦身”，存储空间减少三分之二，多语言文本检索得分下降不到1分。

谷歌做了多个应用打样：AI Edge Gallery的Instant Media Search可按意思搜相册照片；Video Moments Finder说一句话即可定位视频片段；Foresight与Gemma 4搭配，在Mac上离线检索文件和会议记录。开发者方面，llama.cpp已支持，Unsloth放出量化版。实测在M5 Max上，8-bit量化版与原版余弦相似度达0.9997，文本嵌入速度每秒817条。开发者Avenox测试显示，关键词匹配命中率仅15%，换上EmbeddingGemma 2后升至97%，每次查询约50毫秒，全程本地运行。还有开发者将其装进Nano开发板，约15毫秒完成向量转换。

今年3月谷歌曾在云端发布多模态Gemini Embedding 2，按API用量付费。半年多后，多模态检索被带进手机端开源小模型，照片、录音和视频有了本地检索选项。谷歌建议将其与Gemma 4搭配，做离线、隐私优先的RAG，检索和问答均在设备完成。过去AI搜索照片、视频和录音需云端处理，如今这种能力只需几百MB，就有机会装进每个人的口袋。