Google ปล่อย EmbeddingGemma 2: โมเดล embedding 740M ไลเซนส์ Apache 2.0 รวมข้อความ ภาพ เสียง และวิดีโอไว้ในเวกเตอร์ 768 มิติชุดเดียว โหลดเฉพาะ encoder ที่ใช้ได้ — งานโค้ดดีขึ้นชัด แต่ข้อความหลายภาษาแทบเท่าเดิม

Google DeepMind ปล่อย EmbeddingGemma 2 เมื่อ 6 ต.ค. 2026 เป็นรุ่นต่อจาก EmbeddingGemma ตัวแรกที่ Google บอกว่ามียอดดาวน์โหลดเกิน 20 ล้านครั้ง จุดเปลี่ยนใหญ่คือมันไม่ใช่โมเดล embedding ข้อความอย่างเดียวอีกต่อไป แต่แปลงข้อความ (รวมโค้ด) ภาพ เสียง และวิดีโอ หรือหลายอย่างรวมกัน ลงพื้นที่เวกเตอร์ 768 มิติชุดเดียว ทำให้ค้นภาพด้วยข้อความ หรือค้นคลิปเสียงด้วยคำถาม ได้จากดัชนีเดียวกัน

น้ำหนักอยู่บน Hugging Face แล้ว ใช้ไลเซนส์ Apache 2.0 (ไม่ต้องกดยอมรับเงื่อนไขก่อนโหลด) ไฟล์ bf16 ราว 1.49GB และ Ollama ก็มีให้ดึงใช้ได้ทันทีใน v0.40 ที่เพิ่งออก

สเปกจาก model card

• 740M พารามิเตอร์รวม แบ่งเป็น text backbone 270M (transformer 130M + embedder 140M), vision encoder 170M และ audio encoder 300M
• โหลดเฉพาะส่วนที่ใช้ได้: encoder ภาพและเสียงแยกเป็นโมดูล ถ้าทำ RAG ข้อความอย่างเดียวก็ไม่ต้องโหลดอีก 470M ใน Ollama มีแท็กแยกให้เลย คือ 270m (ข้อความ, 378MB), 440m (ข้อความ+ภาพ), 570m (ข้อความ+เสียง) และ 740m (ครบทุกโหมด, 1.3GB)
• Context 8,192 โทเคน ซึ่ง card บอกว่าพอสำหรับเสียงหรือวิดีโอยาว “หลายนาที”
• Matryoshka (MRL): ตัดเวกเตอร์เหลือ 512, 256 หรือ 128 มิติได้ ประหยัดพื้นที่สูงสุด 6 เท่า card แนะนำว่าคุณภาพแทบไม่ลดจนถึง 256 มิติ ส่วน 128 มิติเหมาะกับงานข้อความเท่านั้น
• รองรับกว่า 100 ภาษา และยังใช้ task prefix แบบรุ่นแรก เช่น task: search result | query: ... สำหรับคำค้น และ title: ... | text: ... สำหรับเอกสาร (ใช้กับข้อความเท่านั้น ภาพและเสียงไม่ต้องใส่)
• สร้างบนสถาปัตยกรรม Gemma 4 ใช้ sliding window 1,024 สลับกับ global attention ในอัตรา 5:1

ตัวเลขที่ควรดูให้ดี

ตารางเทียบกับรุ่นแรกใน card (เวกเตอร์ 768 มิติ):

Benchmark	EmbeddingGemma 2	EmbeddingGemma 1
MTEB multilingual v2	61.36	61.15
MTEB code v1	78.68	68.76

งานโค้ดดีขึ้นราว 10 คะแนน แต่งานข้อความหลายภาษาขยับแค่ 0.21 แปลว่าถ้าคุณใช้ EmbeddingGemma ตัวแรกทำ RAG ภาษาไทยอยู่และพอใจแล้ว การอัปเกรดจะไม่ได้คุณภาพเพิ่มเท่าไร (และต้อง re-embed ทั้งคลังเพราะเวกเตอร์คนละพื้นที่) ส่วนโหมดใหม่ได้ MMEB v2 ภาพ 57.28, VisDoc 67.84, วิดีโอ 50.67 และ MSEB retrieval เสียง 69.54 ซึ่ง card ยังไม่ได้เทียบกับโมเดล embedding หลายโหมดตัวอื่น

เริ่มใช้

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("google/embeddinggemma-2")
q = model.encode("What causes the northern lights?", prompt_name="SearchQuery")
d = model.encode("The northern lights are caused by charged particles from the sun.", prompt_name="Document")
print(model.similarity(q, d))

หรือบนเครื่องตัวเองผ่าน Ollama: ollama pull embeddinggemma-2:270m แล้วเรียก /api/embed ได้เลย

มุมมอง AI Curator

ข่าวนี้มีความหมายกับคนทำ RAG มากกว่าที่ตัวเลขบอก เพราะสามเรื่องมารวมกันในโมเดลเดียว คือ ไลเซนส์ Apache 2.0, ขนาดที่รันบนโน้ตบุ๊กได้ และ embedding หลายโหมดในพื้นที่เดียว ก่อนหน้านี้ถ้าอยากค้นภาพสลิป ใบแจ้งหนี้ หรือคลิปเสียงคอลเซ็นเตอร์ปนกับเอกสารข้อความ ทางเลือกส่วนใหญ่คือเรียก API embedding แบบเสียเงิน หรือรันโมเดลหลายตัวแล้วต่อดัชนีเอง ตอนนี้ทำได้ด้วยไฟล์ 1.3GB บนเครื่องที่ข้อมูลไม่ต้องออกนอกองค์กร ซึ่งตรงกับโจทย์ของ PDPA สำหรับธุรกิจไทยพอดี

แต่อย่าเพิ่งเชื่อว่ามันเก่งภาษาไทยขึ้น คะแนนหลายภาษาแทบเท่าเดิม และ card ไม่มีผลแยกรายภาษา ก่อนย้ายระบบให้สุ่มคำถามจริงของผู้ใช้สัก 100–200 ข้อมาวัด recall เทียบกับโมเดลที่ใช้อยู่ โดยเฉพาะคำค้นที่ผสมไทยกับอังกฤษ ซึ่งเป็นจุดที่โมเดลเล็กมักพลาด ส่วนฟีเจอร์ที่น่าลองก่อนคือ MRL 256 มิติ ถ้าคลังเอกสารใหญ่ การลดเวกเตอร์ลงสามเท่าโดยเสียคะแนนไม่ถึงหนึ่งแต้มคือเงินที่ประหยัดได้จริงในค่า vector database ทุกเดือน

---

แหล่งข่าว

• Google — EmbeddingGemma 2: an open, lightweight multimodal embedding model
• Hugging Face — google/embeddinggemma-2 (model card, ไลเซนส์, benchmark)
• Ollama — embeddinggemma-2