Tempo de leitura: 4 minutos
Olá, é um prazer inenarrável estar mais uma vez escrevendo este post. A Google anunciou o EmbeddingGemma 2, um modelo aberto e multimodal criado para transformar textos, imagens, áudios e vídeos em representações numéricas que podem ser comparadas por sistemas de busca e recuperação de informações. A proposta parece técnica, mas tem uma consequência bastante prática: encontrar um trecho específico de vídeo usando uma frase ou localizar gravações de áudio a partir de uma imagem pode deixar de depender de servidores remotos.
O detalhe mais interessante é que tudo isso foi projetado para funcionar em dispositivos locais, com menos memória e sem exigir que os dados pessoais sejam enviados para a nuvem. É uma combinação que pode mudar a forma como aplicativos pesquisam arquivos, montam sistemas RAG e organizam bibliotecas de mídia.
O que é o EmbeddingGemma 2
O EmbeddingGemma 2 é um modelo de embeddings multimodais. Em vez de gerar respostas como um chatbot, ele converte diferentes tipos de conteúdo em vetores numéricos dentro de um espaço compartilhado. Assim, um sistema pode medir a semelhança entre uma pergunta, uma imagem, um áudio ou um trecho de vídeo.
Na prática, isso permite fazer uma busca sem depender apenas de palavras-chave exatas. Imagine uma biblioteca com horas de gravações e vídeos, mas sem títulos ou descrições detalhadas. Com o modelo, uma consulta como “a pessoa explicando o lançamento do produto” pode ser usada para encontrar momentos semanticamente relacionados, mesmo que essas palavras não apareçam em um arquivo de texto.
A Google afirma que o modelo foi construído sobre a arquitetura Gemma 4 e possui 740 milhões de parâmetros. Ele foi lançado sob a licença Apache 2.0, descrita como comercialmente permissiva, e pode ser utilizado em aplicações que precisam processar dados localmente.
Por que o modelo é relevante para dispositivos locais
Executar modelos de IA diretamente em celulares, computadores e outros dispositivos costuma envolver uma troca difícil: modelos maiores oferecem mais capacidade, mas exigem mais memória, armazenamento e poder de processamento. O EmbeddingGemma 2 tenta ocupar um espaço mais equilibrado, como uma caixa de ferramentas compacta que ainda consegue lidar com tarefas variadas.
Segundo a Google, a configuração pode usar apenas 270 milhões de parâmetros para cargas de trabalho exclusivamente textuais. Encoders opcionais de visão e áudio acrescentam suporte multimodal. Com quantização, a empresa informa que o modelo pode exigir cerca de 191 MB de RAM ativa para os pesos de texto e 567 MB para a versão multimodal completa em um Google Pixel 11 Pro.
O processamento local também pode reduzir a latência e melhorar a privacidade. Documentos, gravações e vídeos não precisam necessariamente deixar o dispositivo para serem indexados. Isso é especialmente importante em aplicativos de busca pessoal, ferramentas corporativas e sistemas que trabalham com informações sensíveis.
EmbeddingGemma 2 amplia a busca para texto, imagem, áudio e vídeo
A principal novidade está na capacidade de mapear diferentes modalidades em um espaço de embeddings unificado. Um aplicativo pode combinar uma consulta em texto com arquivos de imagem, vídeo ou áudio e procurar correspondências entre eles.
Entre os exemplos apresentados pela Google estão a localização de um clipe de vídeo a partir de um memorando de voz e a busca em horas de gravações de áudio usando uma consulta textual. Também é possível procurar imagens ou momentos específicos de vídeos por meio de descrições semânticas, em vez de depender apenas de legendas ou metadados previamente cadastrados.
O modelo conta ainda com uma janela de contexto de 8 mil tokens, quatro vezes maior que a do EmbeddingGemma original. A Google informa que isso permite processar até 5,5 minutos de áudio, 29 imagens, 58 quadros de vídeo ou combinações intercaladas desses conteúdos diretamente no hardware local.
Desempenho, armazenamento e aplicações para desenvolvedores
A Google posiciona o EmbeddingGemma 2 entre os modelos multimodais com menos de 1 bilhão de parâmetros. De acordo com a empresa, ele apresenta resultados competitivos em avaliações como MTEB Code, MAEB e benchmarks de imagem, texto e áudio.
Um dos ganhos destacados está no código: a pontuação informada no MTEB Code subiu de 68,76 no EmbeddingGemma para 78,68 na nova versão. Isso pode ser útil para indexar bases de código localmente, criar busca semântica em repositórios e fornecer contexto para agentes de programação.
Outro recurso é o Matryoshka Representation Learning, que permite reduzir dinamicamente os vetores de saída de 768 para 512, 256 ou 128 dimensões. A empresa afirma que essa flexibilidade pode reduzir em até seis vezes o armazenamento e o uso de memória em bancos de dados vetoriais locais. O resultado é uma possibilidade interessante para aplicativos que precisam pesquisar muitos arquivos sem transformar o armazenamento em um gargalo.
Para quem acompanha o avanço da IA local em C++, o lançamento reforça uma tendência importante: modelos menores e especializados estão sendo preparados para funcionar próximos ao usuário, em vez de depender exclusivamente de grandes infraestruturas na nuvem.
Como experimentar o EmbeddingGemma 2
Os pesos do modelo estão disponíveis no Hugging Face e no Kaggle. A documentação da Google também apresenta orientações para uso com ferramentas como Sentence Transformers e instruções para inferência e ajuste fino.
O modelo pode ser integrado a aplicações com Google AI Edge MediaPipe e LiteRT. A Google também cita suporte ao uso com transformers, sentence-transformers, MLX, vLLM, llama.cpp, SGLang, Ollama e LM Studio. Para aplicações no navegador, há opções baseadas em transformers.js e WebGPU.
Essa variedade não significa que qualquer aplicativo ficará automaticamente mais inteligente. Embeddings ainda precisam ser combinados com uma boa estratégia de indexação, filtros, banco vetorial e avaliação dos resultados. A tecnologia fornece uma ponte entre os dados e a busca; cabe ao desenvolvedor construir uma estrada que não leve o usuário para o lugar errado.
O que o lançamento representa
O EmbeddingGemma 2 mostra que a disputa por modelos eficientes não se resume a gerar textos ou imagens. Encontrar, organizar e relacionar informações também é uma parte central da experiência com IA, especialmente quando os dados estão espalhados por formatos diferentes.
Ao unir texto, imagem, áudio e vídeo em um modelo relativamente compacto, a Google tenta tornar a busca multimodal mais viável em dispositivos comuns. Ainda será necessário avaliar o desempenho em cada aplicação, a compatibilidade do hardware e a qualidade dos resultados fora dos benchmarks. Mesmo assim, o anúncio aponta para um futuro em que a IA poderá organizar arquivos pessoais e corporativos com mais privacidade, menor latência e menos dependência de conexão.
Em outras palavras, o avanço do EmbeddingGemma 2 não está apenas no tamanho do modelo. Está na possibilidade de levar a compreensão das relações entre diferentes tipos de mídia para mais perto dos dados — e, consequentemente, para mais perto do usuário.
