EmbeddingGemma to wielojęzyczny model wektorów dystrybucyjnych tekstu z 308 milionami parametrów oparty na modelu Gemma 3. Jest zoptymalizowany pod kątem codziennego użytku na urządzeniach takich jak telefony, laptopy i tablety. Model generuje liczbowe reprezentacje tekstu, które są używane w dalszych zadaniach, takich jak wyszukiwanie informacji, wyszukiwanie podobieństw semantycznych, klasyfikacja i klastrowanie.
EmbeddingGemma ma te kluczowe funkcje:
Obsługa wielu języków: szerokie zrozumienie danych językowych, trenowane w ponad 100 językach.
Elastyczne wymiary wyjściowe: dostosuj wymiary wyjściowe w zakresie od 768 do 128, aby uzyskać kompromis między szybkością a pamięcią, korzystając z uczenia reprezentacji matrioszki (MRL).
Kontekst 2 tys. tokenów: obszerny kontekst wejściowy do przetwarzania danych tekstowych i dokumentów bezpośrednio na urządzeniu.
Wydajne wykorzystanie pamięci: model działa na mniej niż 200 MB pamięci RAM z kwantyzacją.
Niewielkie opóźnienie: generatywne osadzanie w mniej niż 22 ms na EdgeTPU
zapewnia szybkie i płynne działanie aplikacji.
Offline i bezpieczne: generuj osadzanie dokumentów bezpośrednio na urządzeniu. Działa bez połączenia z internetem, aby chronić dane wrażliwe.
Podobnie jak inne modele Gemma, EmbeddingGemma jest udostępniany z otwartymi wagami i licencją na odpowiedzialne użycie komercyjne, co pozwala na dostrajanie i wdrażanie go we własnych projektach i aplikacjach.
[[["Łatwo zrozumieć","easyToUnderstand","thumb-up"],["Rozwiązało to mój problem","solvedMyProblem","thumb-up"],["Inne","otherUp","thumb-up"]],[["Brak potrzebnych mi informacji","missingTheInformationINeed","thumb-down"],["Zbyt skomplikowane / zbyt wiele czynności do wykonania","tooComplicatedTooManySteps","thumb-down"],["Nieaktualne treści","outOfDate","thumb-down"],["Problem z tłumaczeniem","translationIssue","thumb-down"],["Problem z przykładami/kodem","samplesCodeIssue","thumb-down"],["Inne","otherDown","thumb-down"]],["Ostatnia aktualizacja: 2025-09-04 UTC."],[],[],null,["EmbeddingGemma is a 308M parameter multilingual text embedding model based on\nGemma 3. It is optimized for use in everyday devices, such as phones, laptops,\nand tablets. The model produces numerical representations of text to be used\nfor downstream tasks like information retrieval, semantic similarity\nsearch, classification, and clustering.\n\nEmbeddingGemma includes the following key features:\n\n- **Multilingual support**: Wide linguistic data understanding, trained in over 100 languages.\n- **Flexible output dimensions**: Customize your output dimensions from 768 to 128 for speed and storage tradeoffs using Matryoshka Representation Learning (MRL).\n- **2K token context**: Substantial input context for processing text data and documents directly on your hardware.\n- **Storage efficient**: Run it on less than 200MB of RAM with quantization\n- **Low latency**: Generative embeddings in less than 22ms on EdgeTPU for fast and fluid applications.\n- **Offline and secure**: Generate embeddings of documents directly on your hardware, works without internet connection to keep sensitive data secure.\n\n| **Tip:** Deploy EmbeddingGemma with Gemma 3n to build contextually relevant mobile-first Retrieval Augmented Generation (RAG) pipelines and chatbots. See our [quickstart RAG notebook](https://github.com/google-gemini/gemma-cookbook/blob/main/Gemma/%5BGemma_3%5DRAG_with_EmbeddingGemma.ipynb) to get started.\n\n[Get it on Hugging Face](https://huggingface.co/collections/google/embeddinggemma-68b9ae3a72a82f0562a80dc4)\n[Get it on Kaggle](https://www.kaggle.com/models/google/embeddinggemma)\n[Access it on Vertex](https://console.cloud.google.com/vertex-ai/publishers/google/model-garden/embeddinggemma)\n\nAs with other Gemma models, EmbeddingGemma is provided with open weights and\nlicensed for responsible [commercial use](/gemma/terms), allowing you to\nfine tune and deploy it in your own projects and applications.\n\n[Try EmbeddingGemma](/gemma/docs/embeddinggemma/inference-embeddinggemma-with-sentence-transformers)\n[Fine-tune EmbeddingGemma](/gemma/docs/embeddinggemma/fine-tuning-embeddinggemma-with-sentence-transformers)"]]
