Google DeepMind 通过官方博客发布了 AI 词典：Embedding">EmbeddingGemma 2，将其定位为一款开放、轻量级的多模态嵌入模型。从命名上看，它延续了 Gemma 系列在开放模型方向上的布局，但这次面向的不是生成能力，而是嵌入（embedding）。
嵌入模型的作用，是把文本、图像等非结构化内容映射为稠密向量，让语义相近的内容在向量空间中彼此靠近。检索、聚类、去重、推荐，以及检索增强生成（RAG）中的召回环节，都建立在这一步之上。过去，文本、图像等不同模态往往需要各自独立的嵌入模型与索引；多模态嵌入的目标，是用统一的向量空间承载多种模态，从而简化这类流水线。
此次发布有两个关键词值得关注。一是“开放”，意味着开发者有机会在自有环境中部署和集成，而不必完全依赖闭源 API。二是“轻量级”，通常指向更小的体积与更低的推理开销。这一点对实际系统尤为关键：嵌入模型的调用量往往远高于生成模型，海量文本与多模态内容需要逐一向量化，成本与延迟会被显著放大，能否在本地设备、边缘节点或大规模服务中高效运行，直接决定方案能否规模化落地。
对 AI 从业者而言，这类模型的直接影响集中在检索与 RAG 链路。向量化质量决定了后续召回与生成的上限，部署成本则决定了工程上是否划算。多模态统一嵌入若能同时兼顾两者，将减少为不同数据类型分别搭建嵌入服务的负担，也让跨模态检索不必再依赖多套异构索引。
目前公开信息仅给出了模型定位，具体规模、支持的模态范围、语言覆盖与评测表现等细节，仍需以官方博客与模型卡为准。对于正在选型嵌入模型的团队，这是一个值得跟进的新选项。