EmbeddingGemma 2 : la valise fait 740 millions, et elle se démonte

On te tend une valise. L'étiquette dit 740. Tu l'ouvres, et ce n'est pas un bloc. Un compartiment texte peut voyager seul. La vision et le son sont des blocs que tu ajoutes. Le mètre qui mesure ce que la valise range à l'arrivée se coupe en quatre crans. Et la seule pesée de mémoire vive, dans le billet, est écrite au nom d'un téléphone, avec une quantification déjà faite. Si tu lis 740 comme le poids que ta machine doit porter, tu as lu l'étiquette, pas l'intérieur.

Le 6 octobre 2026, Sahil Dua et Henrique Schechter Vera, chez Google DeepMind, annoncent EmbeddingGemma 2. Un modèle d'embeddings multimodal, pour tourner sur l'appareil. Il range dans le même espace du texte, des images, de l'audio, de la vidéo, et du code. L'architecture est celle de Gemma 4. La licence est Apache 2.0, que le billet qualifie de permissive pour un usage commercial. 740 millions de paramètres. Le billet dit que c'est la bonne taille pour une inférence locale. C'est leur phrase d'intention, pas une mesure que j'ai faite sur un poste.

L'an dernier, EmbeddingGemma ne faisait que du texte. Le billet dit que les téléchargements ont dépassé 20 millions, et que des gens s'en sont servis pour de la recherche sur l'appareil et des pipelines de récupération annoncés comme pensés d'abord pour la vie privée. Ce nombre-là est celui de la première. Je ne le déplace pas sur la deuxième, qui sort le jour du billet.

Trois blocs, et une addition qui n'est pas écrite

Le modèle est décrit comme modulaire. 270 millions de paramètres peuvent suffire pour une charge qui n'est que du texte. L'encodeur vision, optionnel, est à 170 millions. L'encodeur audio, optionnel, est à 300 millions. Les trois chiffres sont dans la même puce du billet. Si tu les additionnes toi-même, tu retombes sur 740. Le billet ne fait pas cette addition. Il ne dit pas que les trois blocs s'empilent sans recouvrement, ni que 270 est un fichier que tu télécharges à part. Il dit « as little as » pour le texte, et « optional » pour les deux autres. Je m'arrête sur ces mots-là. La fiche modèle, citée plus haut pour les métriques complètes, n'est pas le texte que je suis en train de lire.

Le contexte passe à 8 000 tokens, quatre fois celui d'EmbeddingGemma. Le billet ne réécrit pas l'ancien chiffre. Il donne le facteur. Avec cette fenêtre, le texte dit qu'on peut traiter jusqu'à 5,5 minutes d'audio, 29 images, 58 images de vidéo, ou des combinaisons entrelacées, sur le matériel local. Le « ou » est dans la phrase. Ce n'est pas une addition de tout ça en même temps.

Comme le modèle partage le tokeniseur de texte et l'encodeur audio de Gemma 4, le billet dit qu'on peut faire tourner les deux ensemble avec une empreinte mémoire combinée plus basse. Il ne donne pas le nombre de cette empreinte. Je n'en calcule pas un.

Le mètre ruban, et une seule mesure de RAM

Les vecteurs sortent en 768 dimensions. Avec l'apprentissage Matryoshka, on peut les tronquer à 512, 256 ou 128. Le billet en tire une réduction de stockage jusqu'à six fois, pour une base de vecteurs locale et pour la mémoire. « Jusqu'à ». Le cran le plus court est 128. Je ne dis pas que chaque base divise son disque par six le jour où tu changes le cran. Je dis ce que la phrase promet comme plafond.

La seule mesure de mémoire vive est plus bas, et elle a deux conditions. Avec quantification, sur un Pixel 11 Pro, le billet dit qu'il faut aussi peu que environ 191 Mo de RAM active pour les poids texte seuls, et environ 567 Mo pour le modèle multimodal complet. « As little as », et un tilde. Un téléphone, une quantification, deux planchers. Je ne transporte pas 191 Mo sur un autre appareil, et je ne retire pas la quantification de la phrase. Si ta machine n'est pas ce Pixel-là, le billet ne t'a pas pesé.

Les scores tiennent dans un paragraphe, et dans un seul écart chiffré. Le billet dit des scores de tête, parmi les modèles multimodaux de moins d'un milliard de paramètres, sur MTEB Code et sur MAEB. Il dit que le modèle égale ou dépasse beaucoup de modèles plus gros, sur le texte, la vision et l'audio. L'écart imprimé ne concerne que le code : +9,92 points sur MTEB Code, de 68,76 à 78,68. Aucun chiffre n'est donné pour MAEB dans le corps que j'ai lu. La phrase d'après dit que, sur l'image, la vidéo, les documents et l'audio, ça dépasse même certains modèles spécialistes de plus du double de sa taille. « Certains ». Pas de nom. Pas de date de classement. Le superlatif « best-in-class » est le leur. Je le laisse sur l'étiquette.

Le rayon où la valise n'est pas encore

Les poids sont sur Hugging Face et Kaggle. Le Model Garden de la Gemini Enterprise Agent Platform, lui, est annoncé comme à venir. Le billet ne le marque pas comme ouvert le 6 octobre. Les chemins nommés pour s'en servir : MediaPipe et LiteRT pour l'embarqué, transformers.js ou WebGPU pour le navigateur, et pour servir le modèle, transformers, sentence-transformers, MLX, vLLM, llama.cpp, SGLang, Ollama, LMStudio. Les vecteurs peuvent aller dans Qdrant. Le réglage fin est renvoyé à un guide Unsloth. Je recopie la liste du billet. Je n'ai pas ouvert chaque dépôt pour voir si le fichier du 6 octobre y est déjà.

Les exemples d'usage sont des démos nommées, pas des mesures. Une recherche de médias dans Google AI Edge Gallery. Un repérage de moments dans une vidéo, dans la même galerie. Un appariement avec Gemma 4 pour raisonner sur des fichiers locaux, dans l'application Foresight. Une API MediaPipe pour classer et router. Le billet dit que calculer les embeddings sur l'appareil aide à garder les données là, et à baisser la latence, et que la recherche peut marcher hors ligne. « Helps ensure ». Ce n'est pas un audit. C'est l'argument du paragraphe.

✍️ À toi : le cran de vecteur que tu stockes vraiment, 768 ou un des trois plus courts, et si tu embarques le bloc audio. Le billet décrit une valise démontable. Ton binaire a un poids.

740 millions, c'est l'étiquette. Le texte peut rester à 270, si tu ne prends pas les blocs optionnels de 170 et de 300. Le vecteur se coupe jusqu'à 128, et le billet parle d'un stockage jusqu'à six fois plus petit. La seule RAM chiffrée est un plancher, quantifié, sur un Pixel 11 Pro. Le rayon entreprise est encore au futur. La valise n'a pas un seul poids. Elle a les compartiments que le paragraphe a pris la peine de séparer.