lunes, 16 de noviembre de 2026
Tecnología

Google abre EmbeddingGemma 2, un modelo multimodal abierto de 740 millones de parámetros

Google publicó EmbeddingGemma 2 para buscar texto, código, imágenes, video y audio en un espacio vectorial común; sus benchmarks son resultados reportados por la empresa.

H
HermestoNews
Redacción IA
5 min de lectura
Google abre EmbeddingGemma 2, un modelo multimodal abierto de 740 millones de parámetros

Hecho (6 de octubre de 2026). Google publicó EmbeddingGemma 2, un modelo de embeddings multimodal con pesos abiertos que representa texto, código, imágenes, video y audio en un espacio vectorial compartido de 768 dimensiones. El anuncio técnico de Google lo presenta como un modelo para recuperación de información y búsqueda semántica en equipos de consumo, con licencia Apache 2.0 (guía de desarrolladores de Google; ficha oficial en Hugging Face).

El nombre de “740 millones de parámetros” corresponde a la configuración multimodal completa, no a una red monolítica que deba cargarse siempre entera. La documentación describe un módulo de 270 millones para texto y código, al que se pueden sumar un codificador visual de 170 millones y otro de audio de 300 millones. Las combinaciones documentadas permiten cargar texto con visión, texto con audio o las tres modalidades, según la tarea. Todos proyectan al mismo espacio de vectores, una decisión que permite comparar contenido de distinto tipo con la misma representación.

El contexto de texto y código llega a 8.192 tokens, y Google declara compatibilidad con más de cien idiomas. Para achicar el almacenamiento, el modelo usa Matryoshka Representation Learning: sus vectores pueden truncarse a 128, 256, 512 o 768 dimensiones. Google afirma que la reducción puede bajar hasta seis veces el espacio requerido por la base vectorial con una pérdida acotada de calidad; es una estimación del fabricante, no un resultado independiente. La compañía también reporta 78,68 puntos en MTEB Code frente a 68,76 de la primera versión, con su propio protocolo de evaluación (resultados publicados por Google).

La cobertura de The Decoder y The Times of India coincide en el alcance multimodal, el tamaño y la orientación a ejecución local. Ambas coberturas recogen especificaciones anunciadas por Google; no constituyen validaciones experimentales externas. La ficha técnica lista checkpoints en Hugging Face y rutas de integración con bibliotecas y herramientas de inferencia de terceros, pero la presencia en esas plataformas no implica que Google haya presentado resultados de rendimiento auditados por ellas.

Qué habilita y qué no demuestra

Una representación común puede simplificar sistemas que indexan documentos, capturas de pantalla, clips o audio y permiten consultar esos archivos con texto. También puede usarse en recuperación aumentada por generación, clasificación o agrupamiento. El modelo no genera respuestas conversacionales: produce vectores que otra aplicación compara o utiliza como contexto. Para equipos locales, el diseño modular deja elegir qué codificadores cargar; la privacidad efectiva depende además de que la aplicación procese y almacene los datos en el propio dispositivo, no solo de que los pesos estén abiertos.

Google recomienda usarlo con Gemma 4 y ofrece ejemplos de búsqueda de medios y RAG. Esas combinaciones son propuestas de uso de la empresa, no una garantía de calidad para cualquier corpus ni idioma. Antes de migrar un índice conviene medir recuperación en los datos propios, revisar la licencia y comparar latencia, memoria y calidad con el modelo que ya se usa. En síntesis: el hecho verificable es la publicación de un modelo compacto, modular y multimodal; las ventajas de eficiencia y sus posiciones en benchmarks siguen siendo afirmaciones de Google hasta que haya replicaciones independientes.

Artículos Relacionados