01 Was passiert ist
Am 6. Oktober 2026 hat Google EmbeddingGemma 2 veröffentlicht, ein Modell mit 740 Millionen Parametern auf Basis der Gemma-4-Architektur, das Text, Code, Bilder, Audio und Video in einem gemeinsamen Embedding-Raum für On-Device-Suche vereint. Die Gewichte sind auf Hugging Face und Kaggle verfügbar; die Verfügbarkeit im Gemini Enterprise Agent Platform Model Garden wird als bald angekündigt.
02 Die wichtigsten Details
- EmbeddingGemma 2 hat 740 Millionen Parameter und verarbeitet Text, Code, Bilder, Video und Audio. Für reine Textaufgaben genügen 270 Millionen Parameter; optionale Encoder für Bild (170 Mio.) und Audio (300 Mio.) erweitern auf volle Multimodalität.
- Mit Matryoshka Representation Learning lassen sich Vektoren von 768 auf 512, 256 oder 128 Dimensionen kürzen – bis zu 6x weniger Speicher- und RAM-Bedarf in lokalen Vektor-Datenbanken.
- Google nennt für quantisierte Gewichte auf einem Google Pixel 11 Pro nur rund 191 MB aktiven RAM im Textmodus und rund 567 MB im vollständigen multimodalen Modell.
- Google meldet einen Zuwachs in MTEB Code um 9,92 Punkte, von 68,76 auf 78,68, und ein 8K-Token-Kontextfenster, viermal so groß wie bei EmbeddingGemma 1; verarbeitet werden bis zu 5,5 Minuten Audio, 29 Bilder, 58 Videoframes oder gemischte Kombinationen.
03 Warum das wichtig ist
Der Release macht multimodale Embeddings für lokale Hardware praktikabel. Durch die modulare Bauweise reichen für Text-Workloads 270 Millionen Parameter, und mit Matryoshka Representation Learning lassen sich Vektoren von 768 auf 512, 256 oder 128 Dimensionen kürzen, was bis zu 6x Speicher und RAM spart. Google nennt zudem ein 8K-Token-Kontextfenster und einen Anstieg in MTEB Code um 9,92 Punkte, von 68,76 auf 78,68; diese Werte stammen vom Anbieter und sind nicht unabhängig verifiziert.
04 Für wen es relevant ist
Entwickler für lokale Suche, Entwickler von RAG-Systemen und Entwickler von KI-Agenten.