Google выпустила EmbeddingGemma 2: открытая модель на 740 млн параметров, которая понимает текст, код, картинки, видео и аудио
Материал подготовлен Sintelligent с помощью ИИ. Время публикации восстановлено по журналу сборки. . Обновлено: .
Мультимодальный поиск по тексту, видео и звуку становится настолько лёгким, что помещается в телефон, и при этом полностью открыт.
Модель кодирует все пять типов данных в единое пространство, а для работы только с текстом её можно сократить до 270 млн параметров. Контекст — 8 тыс. токенов (до 5,5 минуты аудио, 29 картинок или 58 кадров видео); на Pixel 11 Pro ей нужно около 567 МБ памяти. По заявлению Google, на тесте MTEB Code модель получает 78,68 балла (на 9,92 выше первой версии) и в задачах по изображениям и звуку обходит часть специализированных моделей вдвое больше. Лицензия Apache 2.0, веса — на Hugging Face и Kaggle.
Источники 2