Google hat EmbeddingGemma 2 veröffentlicht. Damit kann eine lokale Suche Texte, Fotos und Ton miteinander vergleichen. Wer sich an einen Inhalt erinnert, aber den Dateinamen vergessen hat, sollte aus meiner Sicht zunächst zur ursprünglichen Passage oder zum passenden Ausschnitt gelangen. Muss die Person weiterhin jeden Treffer öffnen, um das Gesuchte zu finden, hat der medienübergreifende Vergleich den Suchaufwand noch nicht verringert.Veröffentlichung
Die offizielle Ankündigung trägt das Datum 2026-10-06, ohne Uhrzeit oder Zeitzone. The Next Web veröffentlichte seinen Bericht an diesem Tag um 19:15 UTC, also am 7. Oktober um 03:15 Uhr in Taipeh; das ist die Berichtszeit. Dieser Artikel ist auf den 7. Oktober in Taipeh datiert, mit Rechercheschluss um 09:05 Uhr. Er verwendet vorsichtshalber die Ankündigung vom Vortag innerhalb des 48-Stunden-Fensters. Ein Bericht nach Mitternacht belegt keinen entsprechenden Zeitpunkt der Modellfreigabe.Ankündigung Zeitangabe
Die Gewichte stehen unter Apache 2.0 auf Hugging Face und Kaggle zum Download bereit; die Bereitstellung im Model Garden folgt erst später. Das vollständige Modell umfasst 740M Parameter. Für Text und Code müssen nur 270M geladen werden, Bild- und Audio-Encoder kommen bei Bedarf hinzu. The Next Web bestätigt die Veröffentlichung und den vorgesehenen Geräteeinsatz, liefert aber keinen eigenen Leistungstest.Verfügbarkeit Architektur Bericht
Das Modell wandelt unterschiedliche Eingaben in Vektoren eines gemeinsamen Raums mit 768 Dimensionen um. So lässt sich eine Textanfrage auf semantische Ähnlichkeit mit Videobildern vergleichen. Die Ausgabe ist eine numerische Darstellung für die Suche. Google hat Instant Media Search und Video Moments Finder als Demonstrationen in AI Edge Gallery ergänzt. Letzterer findet Videomomente anhand von Text- oder Audioanfragen. Diese Beispiele zeigen eine Anwendung, belegen jedoch keine langfristige Erfolgsquote gewöhnlicher Nutzer beim Wiederfinden gesuchter Inhalte.Mechanismus und Beispiele
Das Original wiederzufinden kann eine vollständige Produktfunktion sein
Angenommen, jemand sucht ein Reparaturvideo aus dem Vorjahr. Der Handgriff ist noch in Erinnerung, Dateiname und Aufnahmedatum sind es nicht. Eine medienübergreifende Suche könnte das Durchblättern des Albums ersparen, indem sie den passenden Ausschnitt direkt zeigt. Das ist ein hypothetischer Anwendungsfall und kein veröffentlichter Kundenerfolg. Das Produkt muss auch nicht zunächst eine Zusammenfassung des Videos schreiben, um diesen Nutzen zu liefern.
Ich würde im Treffer ein Vorschaubild und den Zugang zur Originaldatei erhalten, damit Nutzer die gefundene Passage überprüfen können. Brauchen sie anschließend eine Erklärung des Vorgangs, kann ein generatives Modell separat hinzukommen. Die Trennung macht Fehler leichter zuzuordnen: Ein falscher Ausschnitt verlangt eine Korrektur der Suche; eine falsche Erklärung des richtigen Ausschnitts ist ein anderes Problem. Das Modell besitzt weder Sicherheits-Finetuning noch Ausgabemoderation.Modellgrenzen Hohe Ähnlichkeit belegt weder Richtigkeit noch Eignung eines Inhalts zur Anzeige. Beim Zugriff auf fremde Dateien sollten bestehende Berechtigungen weiter gelten.
Kürzere Vektoren verändern die gefundenen Ergebnisse
Im quantisierten Test von Google auf einem Pixel 11 Pro benötigen die reinen Textgewichte ungefähr 191MB aktiven Arbeitsspeicher, das vollständige multimodale Modell ungefähr 567MB. Diese Bedingungen stehen nicht für jedes Smartphone. Die Werte beschreiben auch nicht den gesamten Speicherbedarf einer App einschließlich Originalmedien und Suchindex.Gerätemessungen
Die Vektoren lassen sich von 768 auf 128 Dimensionen kürzen. Ihr numerischer Speicherbedarf sinkt damit auf ein Sechstel, der Qualitätsverlust fällt jedoch unterschiedlich aus. Bei der Auswertung mit dem Checkpoint in voller Präzision sinkt der MMEB-v2-Gesamtwert in der offiziellen Modellkarte von 59.01 auf 45.65. Das ist eine separate Qualitätsmessung. Sie lässt sich nicht mit dem quantisierten Smartphone-Test zu einem gemeinsamen Leistungsversprechen verbinden.Testbedingungen
Bei einem Produkt, das vor allem Fotos oder Videos auffinden soll, würde ich nicht allein für einen kleineren Index die kürzesten Vektoren voreinstellen. Fehlt dafür der gesuchte Ausschnitt, leidet unmittelbar der Nutzen der Funktion. Bleiben mit kürzeren Vektoren dagegen bei denselben Anfragen die benötigten Treffer erhalten, erfüllt die Platzersparnis einen Zweck. Die Modellkarte weist zudem auf Leistungsunterschiede zwischen Sprachen hin. Teams in Taiwan können mehrsprachige Durchschnittswerte nicht als Messung für traditionelles Chinesisch oder lokale Akzente behandeln.Sprachliche Grenzen
Die Veröffentlichung ermöglicht Entwicklern, selbst festzulegen, welche Medien auf dem Gerät durchsucht werden, und Nutzern das benötigte Originalmaterial zurückzugeben. Ob das Produkt dadurch besser wird, sollten die Zeit bis zum gesuchten Ausschnitt und der Anteil der Anfragen zeigen, bei denen das Ziel in den Ergebnissen fehlt. Verfügbare Gewichte und ein geringerer Modellspeicherbedarf schaffen Voraussetzungen für die Umsetzung; diese beiden Ergebnisse belegen sie noch nicht.
Das Titelbild verwendet die vorhandene Gemma-4-Markengrafik dieser Website, keine Veröffentlichungsgrafik von EmbeddingGemma 2. Das offizielle Ereignisbild konnte wegen fehlgeschlagener DNS-Auflösung nicht heruntergeladen werden.
Quellen: