Google DeepMind julkaisi avoimen EmbeddingGemma 2 -mallin
Google DeepMind julkaisi 6. lokakuuta 2026 EmbeddingGemma 2 -mallin, joka muuttaa tekstin, koodin, kuvat, videot ja äänen samaan muotoon ja toimii suoraan tavallisella laitteella.
Google DeepMind julkaisi 6. lokakuuta 2026 EmbeddingGemma 2 -nimisen tekoälymallin. Malli on avoin ja kevyt, ja sen erikoisuus on, että se muuttaa tekstin, koodin, kuvat, videot ja äänen samaan yhteiseen muotoon. Malli on suunniteltu tehtäväksi suoraan tavallisella laitteella, kuten älypuhelimella tai kannettavalla tietokoneella.
Mitä upotusmalli tekee?
EmbeddingGemma 2 ei kirjoita tekstiä eikä piirrä kuvia. Se on upotusmalli, eli se muuttaa sisällön — esimerkiksi lauseen, kuvan tai äänileikkeen — numerosarjaksi. Tällaista numerosarjaa kutsutaan vektoriksi. Kun eri sisällöt on muutettu samanmuotoisiksi, tietokone voi vertailla niitä ja päätellä, mitkä niistä muistuttavat toisiaan. Tähän perustuu esimerkiksi haku, jossa etsitään kuvaa tekstin avulla tai löydetään tietty videon kohta äänimuistiinpanon perusteella.
Viisi sisältölajia samassa mallissa
EmbeddingGemma 2 käsittelee viittä eri sisältölajia: tekstiä, koodia, kuvia, videokehyksiä ja ääntä. Tällaista useita sisältölajeja samaan aikaan ymmärtävää mallia kutsutaan multimodaaliseksi. Google DeepMindin mukaan malli on kooltaan luokkansa paras: se yltää samoihin tuloksiin kuin monet itseään yli kaksi kertaa suuremmat erikoismallit niin kuvissa, videossa kuin äänessäkin.
Kevyt rakenne ja pieni tallennustarve
Mallissa on 740 miljoonaa parametria. Parametrit ovat lukuja, joihin mallin osaaminen on opettelun aikana tallentunut. Rakenne on kuitenkin jaettu osiin: pelkkä teksti ja koodi vievät 270 miljoonaa parametria, ja kuvan- ja äänenkäsittelyn osat voi ladata erikseen mukaan. Kaikki versiot tuottavat kuitenkin samanmuotoisen vektorin, joten ne sopivat keskenään yhteen.
Mallin vektorit voi lisäksi lyhentää 768 luvusta aina 128 lukuun, mikä pienentää tallennustarvetta jopa kuudesosaan. Googlen mukaan kvantisointi eli mallin lukujen karsiminen pienentää muistinkäyttöä niin, että pelkkä tekstiosa vie Pixel 11 Pro -puhelimessa noin 191 megatavua keskusmuistia ja koko viiden sisältölajin versio noin 567 megatavua.
Suorituskyky ja rajoitukset
Googlen mukaan EmbeddingGemma 2 parantaa koodin hakua selvästi edeltäjäänsä verrattuna: MTEB Code -vertailumittauksen tulos nousi 68,76 pisteestä 78,68 pisteeseen. Tekstin monikielinen suorituskyky pysyy ennallaan, ja malli yltää Googlen mukaan jopa pidemmälle kuin eräät yli kaksi kertaa suuremmat erikoismallit.
Malliin liittyy myös rajoituksia. Se on esikoulutettu malli, jota ei ole erikseen hienosäädetty turvallisuuden näkökulmasta, ja sen koulutusaineisto ulottuu tammikuuhun 2025 asti. Google huomauttaa lisäksi, että vaikka malli tukee yli sataa kieltä, tarkkuus ei ole kaikissa kielissä yhtä hyvä, ja että suositellut tehtäväohjeet kannattaa liittää syötteeseen tarkkuuden vuoksi.
Avoin malli ja saatavuus
EmbeddingGemma 2 julkaistiin Apache 2.0 -lisenssillä, joka sallii mallin käytön myös kaupallisesti. Mallin painot ovat ladattavissa Hugging Facesta ja Kagglesta, ja se toimii useissa suosituissa työkaluissa, kuten Ollamassa, llama.cpp:ssä ja LM Studiossa. Mallia voi myös hienosäätää omiin tarpeisiin. Google kertoo aiemman EmbeddingGemma-mallin ylittäneen yli 20 miljoonaa latausta.
Mitä tästä seuraa?
Kun sisällön haku tapahtuu paikallisesti laitteella, tietoja ei tarvitse lähettää verkkoon. Tämä vähentää viivettä ja parantaa yksityisyyttä. EmbeddingGemma 2 onkin suunnattu erityisesti reunalaskentaan, jossa laskenta tapahtuu käyttäjän laitteella eikä palvelinkeskuksessa. Malli sopii esimerkiksi paikalliseen hakuun ja niin sanottuihin RAG-järjestelmiin, joissa tekoäly hakee vastauksensa pohjaksi omaa aineistoa.
Lähteet
- Google: EmbeddingGemma 2: an open, lightweight multimodal embedding model, 6.10.2026
- Google Developers Blog: Bring multimodal semantic search to the edge with EmbeddingGemma 2, 6.10.2026
- Google AI for Developers: EmbeddingGemma (dokumentaatio)
- Unite.AI: DeepMind Debuts EmbeddingGemma 2, Mapping Five Modalities Into One Space, 6.10.2026
- Ollama: embeddinggemma-2
Vastuuvapauslauseke: Tämä artikkeli on tarkoitettu vain tiedotustarkoituksiin. Sitä ei tarjota tai ole tarkoitettu käytettäväksi oikeudellisena, verotuksellisena, sijoitus-, rahoitus- tai muuna neuvona.
Mainos: alla on kumppanimainoksia ja mainoslinkkejä.
