开发者用 llamadart 在本地运行 EmbeddingGemma，为虚拟世界 Llama Village 实现信息共享判定：把角色台词和事实分别转成向量，用余弦相似度比较，取每条事实与说话者台词的最高分，再决定听者是否获得该信息。文中以「Pip 的红围巾在池塘芦苇里」为例，说明措辞不同但语义相近的句子也能匹配。作者提醒相似度不是真假或蕴含的判定，且 Google 模型卡建议新应用使用任务特定前缀，改格式需重新评估阈值。
推荐理由想在本机跑嵌入做语义匹配的，可参考 EmbeddingGemma 加 llamadart 的缓存与阈值做法
Simon Willison 发文称赞 EmbeddingGemma 2 采用 Apache 2.0 开源许可。他认为嵌入模型不适合用闭源、仅托管的形式：嵌入模型通常要计算并存储成千上万甚至数百万条向量，一旦厂商停掉某个模型，用户就得花钱重新计算所有已存向量。他提到 OpenAI 曾在 2024 年 4 月提出为用户用新模型重新嵌入内容承担费用，但认为不能指望每家厂商都这么做。他表示自己不想自托管，更愿意付费使用托管服务，同时保留厂商停服后可自行运行开源权重或换供应商的退路。
推荐理由做 RAG 或向量检索的可以直接选：Apache 2.0 权重，厂商停服也能自己跑
Google DeepMind 推出 EmbeddingGemma 2，一个 740M 参数的开源嵌入模型，可将代码、图像、视频和音频映射到同一嵌入空间，采用 Apache 2.0 许可证。原文正文信息有限，仅包含标题所述内容及赞助商广告，未披露基准测试、发布时间或可用渠道等细节。
推荐理由Apache 2.0 可商用，740M 小体积适合本地部署多模态检索，做 RAG 的可以直接试
Google DeepMind 发布 EmbeddingGemma 2，参数量 7.4 亿，在多项基准测试中表现有竞争力，甚至超过部分参数量两倍以上的专用模型。开发者可用它为应用加入多模态搜索，例如用语音备忘录定位视频片段，或与 Gemma 4 搭配实现端侧私有 RAG。模型以 Apache 2.0 许可发布，权重已上线 Hugging Face 和 Kaggle。
推荐理由Apache 2.0 可商用，7.4 亿参数能跑端侧，做多模态检索和本地 RAG 可直接拿权重
Google DeepMind 发布 EmbeddingGemma 2，称其为首个原生多模态开放模型，用于端侧嵌入（on-device embeddings）。该模型在文本之外扩展到代码、图像、音频和视频，并将这些模态统一到同一共享向量空间中。原文为推文，仅给出上述信息，未披露模型参数规模、上下文长度、基准测试成绩、开源协议与发布时间。
推荐理由做端侧 RAG 或多模态检索的可以留意：一个模型把文本、代码、图像、音频、视频映射到同一向量空间。