Google, cihaz üzerinde kullanım için 740M parametreli çok modlu embedding modeli EmbeddingGemma 2'yi duyurdu

Google ne duyurdu

Google'ın Gemma ekibi, metni, kodu, görüntüleri, videoyu ve sesi tek bir ortak temsil uzayında vektörler olarak kodlayan EmbeddingGemma 2 adlı bir embedding modeli tanıttı. Duyuru, 6 Ekim 2026'da resmi Google Gemma hesabının X'te yaptığı bir gönderiyle yapıldı ve kısa sürede Hacker News'in ana sayfasına ulaştı; geliştiricilerden büyük ilgi gördü.

Öne çıkan özellik, modüler encoder'lardan oluşan 740 milyon parametrelik boyutu; Google'a göre bu, modeli bir veri merkezinde değil, doğrudan tüketici donanımında çalıştırmaya uygun kılıyor. Duyuruya göre model, Matryoshka Representation Learning sayesinde 768'den 128'e kadar uzanan esnek embedding boyutlarını destekliyor ve 8K token'lık bir bağlam penceresi sunuyor — bu, yalnızca metin üzerinde çalışan orijinal EmbeddingGemma'dan dört kat daha büyük. Model, Apache 2.0 lisansıyla yayımlandı; bu lisans özel bir hukuki müzakere gerektirmeden ticari kullanıma, değiştirmeye ve yeniden dağıtıma izin veriyor.

Duyuru gönderisinin kendisi benchmark sonuçlarını veya indirme bağlantıları ya da desteklenen runtime'lar gibi kullanılabilirlik ayrıntılarını içermediğinden, bu bilgilerin eşlik eden model dokümantasyonundan doğrulanması gerekecek.

Matryoshka boyutları nasıl çalışır

Esnek boyut boyutları tartışmalı biçimde bu sürümün teknik olarak en ilginç yanı. Rus iç içe geçen bebekleri (matruşka) hakkında adlandırılan Matryoshka Representation Learning, bir embedding'in ilk n boyutunun kendi başına anlamlı bir özet olmasını sağlayacak şekilde modeli eğitir. Pratikte bu, bir geliştiricinin 768 boyutlu bir vektörü 256 veya 128 boyuta kısaltıp — yalnızca kuyruğunu atarak — hâlâ kullanılabilir bir arama kalitesi elde edebileceği anlamına geliyor.

Bu esneklik doğrudan mühendislik ödünleşimlerine dönüşüyor. Daha kısa vektörler, öğe başına daha az depolama, daha hızlı yaklaşık en yakın komşu araması ve daha düşük bellek baskısı demek — vektör dizininin bir telefonda ya da dizüstü bilgisayarda diğer her şeyin yanında var olması gerektiğinde büyük önem taşıyan özellikler.

Neden ortak bir çok modlu uzay önemli

Embedding modelleri, anlamsal aramanın, retrieval-augmented generation'ın, öneri sistemlerinin, kümelemenin ve yinelenenleri ayıklamanın arka planındaki altyapıdır. Geleneksel olarak birden fazla modaliteyi işleyebilmek, metin ve görüntü için ayrı embedding modelleri çalıştırmak ve bunların çıktı uzaylarının uyumsuz olduğunu kabul etmek anlamına geliyordu — bir sorguyu bir başlıkla karşılaştırabilirsiniz, ama tanımladığı resimle doğrudan karşılaştıramazsınız.

Metni, kodu, görüntüleri, videoyu ve sesi tek bir ortak uzaya eşleyen tek bir model bu derzi ortadan kaldırıyor. Bir metin sorgusu, bir çeviri adımı olmadan bir ses parçasıyla ya da bir video karesiyle eşleştirilebilir ve tek bir dizin karışık modaliteli içerik tutabilir. Kodun birinci sınıf bir modalite olarak dahil edilmesi, kod arama ve anlamsal kod gezinme alanındaki kullanım durumlarına da işaret ediyor.

Cihaz üzerinde çalıştırma çerçevesi bunu pekiştiriyor. Embedding ve aramayı yerel olarak çalıştırmak kullanıcı verisini cihazda tutuyor, gecikmeyi azaltıyor ve arama özelliklerinin çevrimdışı çalışmasına olanak tanıyor — küçük modeller sunucu tarafındaki öncüllerinin kalitesine yaklaştıkça giderek yaygınlaşan bir yaklaşım.

Neden önemli

EmbeddingGemma 2, Google'ın küçük model ekosisteminin nereye gitmesini beklediğinin bir işareti: yalnızca kompakt üretici modeller değil, her modaliteyi kapsayan, bir uygulamanın içine sığacak kadar küçük ve şirketlerin özel şartlar olmadan ticari ürünlere gömebilmesi için lisanslanmış kompakt arama altyapısı.

Geliştiriciler için pratik önem, sunucuya hiçbir tur atmadan çok modlu anlamsal aramaya güvenilir bir yol sunması. Uyarılar ise bu tür duyurular için her zamankiler — bağımsız benchmark'lar, 740M parametreli modelin arama kalitesinin daha büyük ya da tek modaliteli alternatiflere kıyasla nasıl olduğunu ve en küçük 128 boyutlu embedding'ler kullanıldığında gerçekte ne kadar doğruluktan feragat edildiğini gösterecek. Bu sayılar ortaya çıkana kadar, tek başına özellikler bile bu sürümü cihaz üzerindeki AI araması için daha dikkat çekici açık lisanslı sürümlerden biri yapıyor.