EmbeddingGemma 2 是可本地运行的多模态嵌入模型，把文字、代码、图片、音频和视频映射到共享向量空间，用于检索而不是直接生成聊天答案。官方模型卡列出740M总参数、768维默认表示及Apache 2.0许可。想做知识库，应先跑通一个小检索样例，再接生成模型。
模型下载与运行条件
| 项目 | 核验信息 |
|---|---|
| 下载 | 官方Hugging Face模型google/embeddinggemma-2 |
| 运行方式 | 官方文档提供Sentence Transformers示例 |
| 模态 | 文字、代码、图像、音频、视频 |
| 表示 | 默认768维；其他维度用法查模型文档 |
| 设备 | 面向消费级设备；实际内存随编码器与输入变化 |
740M包含文字、视觉与音频模块，不能把旧EmbeddingGemma的内存宣传直接套到新版。先确认框架版本支持、权重下载和设备类型；音视频编码还涉及解码依赖，不是只有pip装一个包。
最小文字检索示例
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("google/embeddinggemma-2")
docs = ["报销申请需要发票与审批记录。", "产品照片保存在素材库。"]
q = model.encode("住宿发票交到哪里？", prompt_name="SearchQuery")
d = model.encode(docs, prompt_name="Document")
scores = model.similarity(q, d)[0]
for i in scores.argsort(descending=True).tolist():
print(float(scores[i]), docs[i])按官方建议安装兼容的sentence-transformers与transformers。上面是文档适配的示例，本轮未下载模型权重实跑，不给虚构相似度。预期业务含义是报销材料应比照片目录更相关；真实排序由你运行后检查。
多模态检索怎样组成？
文字查询“红色阀门安装位置”
→ 编码查询
设备图片/说明书片段/视频片段 → 使用相应编码器
→ 相似度召回 → 按设备型号和权限过滤 → 展示原图/页码/时间点不同模态的具体输入结构应使用官方多模态教程，不把本例的字符串数组直接换成视频URL。结果相似只代表语义相关，设备编号、版本和权限仍要单独过滤。
中文支持怎么验证？
准备至少三类中文问题：直接问法、同义表达、带型号或日期的限定。先为每个问题标记应该召回的资料，再观察前几条结果。英文榜单和“100多种语言”支持说明不能代替你自己的中文资料验证。
什么时候需要重新建向量？
更换模型或向量维度时，不把新旧向量直接放进同一索引比较；文档内容更新则需要重编码对应片段，并保留来源位置。回答模型升级不一定要求全量重建，但嵌入模型变更应重新检查召回质量。
继续阅读
资料与更新说明
资料核验于2026年10月22日。下列演示输入、费用算例和任务拆分由本文设计；未标明实测的外部模型调用不代表本次已运行。产品开放范围与费用以官方当前页面及账号为准。