Google lanza EmbeddingGemma 2 para búsqueda multimodal en dispositivos de borde

Google anunció el 6 de octubre de 2026 el lanzamiento de EmbeddingGemma 2, un modelo de incrustación multimodal de código abierto bajo licencia Apache 2.0. El modelo se posiciona como una solución ligera para la recuperación, el enrutamiento y la búsqueda de similitud en el dispositivo, abarcando texto, código, imágenes, video y audio. Al poner los pesos a disposición del público en Hugging Face y Kaggle, Google invita a los desarrolladores a ejecutar el modelo directamente en hardware de borde sin depender de APIs en la nube. El anuncio enfatiza que el modelo no está destinado a tareas generativas, sino a la generación de incrustaciones offline que pueden alimentar motores de búsqueda locales, pipelines de recomendación y filtrado basado en contenido.

Un modelo de incrustación multimodal ligero

EmbeddingGemma 2 contiene 740 millones de parámetros que codifican conjuntamente cinco modalidades de datos — texto plano, código fuente, imágenes estáticas, fotogramas de video y fragmentos de audio—en un único espacio de incrustación. El espacio unificado permite que un solo índice de búsqueda de similitud maneje consultas heterogéneas, por ejemplo, emparejar una descripción hablada con fragmentos de código relevantes o recuperar fotogramas de video que correspondan a una indicación textual. Google describe la arquitectura como un codificador basado en transformador que procesa cada modalidad a través de front‑ends dedicados antes de proyectar las representaciones en un vector común de 768 dimensiones. La naturaleza de código abierto del modelo permite a los investigadores inspeccionar las capas, ajustarlo con datos de dominio o reemplazar componentes específicos de cada modalidad.

Para cargas de trabajo puramente textuales, Google informa una configuración reducida que usa solo 270 millones de parámetros. Los desarrolladores que necesiten comprensión visual pueden adjuntar un codificador de visión opcional de 170 millones de parámetros, mientras que el procesamiento de audio añade un codificador adicional de 300 millones de parámetros. El diseño modular significa que un desarrollador puede ejecutar una instancia solo de texto en dispositivos muy limitados y cargar los codificadores adicionales solo cuando se requiera entrada multimodal. Google afirma que los codificadores opcionales son compatibles con la misma cabeza de incrustación, preservando el formato vectorial unificado en todas las modalidades admitidas.

Aprendizaje de representación Matryoshka para eficiencia de almacenamiento

Una innovación clave destacada por Google es el Aprendizaje de Representación Matryoshka, una técnica que permite a los desarrolladores comprimir los vectores predeterminados de 768 dimensiones a 512, 256 o 128 dimensiones sin volver a entrenar el modelo. El método funciona aprendiendo sub‑espacios anidados que retienen la mayor parte de la información de similitud mientras descartan dimensiones redundantes. Según las mediciones de Google, pasar a 128 dimensiones puede reducir la huella de almacenamiento hasta seis veces, lo que se traduce en un menor consumo de memoria para grandes tablas de índices en dispositivos de borde. Los vectores comprimidos siguen siendo compatibles con métricas de similitud estándar como la similitud coseno, permitiendo un reemplazo directo en pipelines existentes.

Rendimiento en el borde con el Pixel 11 Pro

Google proporciona benchmarks a nivel de dispositivo para el Pixel 11 Pro, el teléfono insignia lanzado a principios de 2026. Una versión cuantizada solo de texto de EmbeddingGemma 2 ocupa aproximadamente 191 MB de RAM activa, mientras que la pila multimodal completa — texto, visión y audio combinados — usa alrededor de 567 MB. El modelo soporta una ventana de contexto de 8 000 tokens para texto, hasta 5,5 minutos de audio, 29 imágenes o 58 fotogramas de video por pasada de inferencia. Estas cifras demuestran que un smartphone de alta gama puede alojar todo el modelo y generar incrustaciones en tiempo real para consultas de medios mixtos sin asistencia fuera del dispositivo.

En la suite de benchmarks MTEB (Massive Text Embedding Benchmark), Google informa que EmbeddingGemma 2 mejora la puntuación del sub‑benchmark de Código, pasando de 68,76 a 78,68. El aumento refleja la capacidad del modelo para capturar patrones sintácticos y semánticos en lenguajes de programación, una capacidad que beneficia la búsqueda de código y la detección de duplicados. Google posiciona el resultado como evidencia de que un modelo abierto de 740 millones de parámetros puede superar a embeddings propietarios más grandes en tareas específicas, aunque el benchmark es una medida proporcionada por el vendedor y puede no reflejar todos los entornos del mundo real.

Los pesos del modelo están alojados públicamente tanto en Hugging Face como en Kaggle, y Google señala la compatibilidad con entornos de ejecución comunes como TensorFlow, PyTorch y ONNX. Al proporcionar scripts de conversión y pipelines de inferencia de ejemplo, Google busca reducir la barrera para que los desarrolladores integren EmbeddingGemma 2 en aplicaciones móviles, sistemas embebidos o servidores de borde. La licencia abierta (Apache 2.0) permite el uso comercial, la modificación y la redistribución, lo que se alinea con la estrategia más amplia de Google de fomentar un ecosistema de herramientas de IA impulsadas por la comunidad que se ejecuten localmente.

Google advierte que los números de rendimiento son mediciones del vendedor realizadas en una configuración de hardware específica y pueden variar en otras plataformas de borde. El modelo está optimizado para recuperación y enrutamiento, no para generación de texto o creación de contenido, por lo que los desarrolladores no deben esperar que reemplace a grandes modelos de lenguaje en escenarios de chat o resumen. Además, los requisitos de almacenamiento y RAM, aunque modestos para un teléfono de gama alta, podrían seguir siendo prohibitivos para dispositivos IoT de bajo costo que no dispongan de varios cientos de megabytes de memoria libre.

Para los desarrolladores que construyen soluciones de búsqueda privadas y offline, EmbeddingGemma 2 ofrece una ruta concreta para unificar la indexación multimodal sin enviar datos a la nube. Aplicaciones como asistentes personales en el dispositivo, sistemas seguros de gestión de documentos o motores de recomendación localizados pueden ahora incrustar texto, código, imágenes, video y audio en un único espacio vectorial y realizar coincidencias de similitud localmente. La capacidad de reducir los vectores con Matryoshka disminuye aún más el costo de mantener índices grandes, haciendo factible almacenar millones de ítems en medios de almacenamiento de borde.

Con EmbeddingGemma 2, Google cambia la referencia de lo que puede ejecutarse en el dispositivo: un solo modelo abierto ahora maneja cinco modalidades, cabe dentro del envelope de memoria de un smartphone moderno y ofrece comprensión de código a nivel de benchmark. El lanzamiento indica un giro hacia IA más capaz, que preserva la privacidad y reside en el borde, e invita a la comunidad de desarrolladores a experimentar con la recuperación multimodal sin depender de servicios en la nube pesados.