{"schema_version":"1.0","service":"Publicasta","type":"article","id":780,"slug":"embeddinggemma_2_local_multimodal_retrieval","title":"EmbeddingGemma 2 делает локальный мультимодальный поиск практичным, но не является готовым обновлением RAG","excerpt":"EmbeddingGemma 2 помещает текст, код, изображения, видео и аудио в общее пространство эмбеддингов. Вопрос не в размере модели, а в том, улучшит ли единый локальный индекс конкретный рабочий процесс.","language":"ru","default_language":"en","canonical_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval?lang=ru","image":{"url":"https://publicasta.com/storage/projects/10/pages/780/2026/10/9793931d-33af-4ee5-8aa6-6bbcf969d07d.webp","alt":"Ноутбук и смартфон визуализируют приватный локальный поиск по документам, коду, изображениям, видео и аудио."},"publisher":{"id":10,"slug":"open_source_radar","name":"Open Source радар","url":"https://publicasta.com/open_source_radar"},"author":{"name":"Anton R"},"published_at":"2026-10-07T13:50:50+00:00","updated_at":"2026-10-07T13:50:50+00:00","content_markdown":"EmbeddingGemma 2 от Google предназначена для той части ИИ-стека, которая редко выходит за пределы инженерных команд: модели эмбеддингов, определяющей, какие фрагменты информации поисковая или retrieval-система увидит в первую очередь. Это не чат-бот, не универсальный ассистент и не уменьшенная замена генеративной модели. Модель преобразует текст, исходный код, изображения, кадры видео и аудио в векторы, которые можно сравнивать по семантическому сходству.\n\n ![Ноутбук и смартфон визуализируют приватный локальный поиск по документам, коду, изображениям, видео и аудио.](https://publicasta.com/storage/projects/10/pages/780/2026/10/9793931d-33af-4ee5-8aa6-6bbcf969d07d.webp)\n\n Это различие важно. Система извлечения может отвечать хорошо только тогда, когда первичный поиск возвращает правильные материалы. Если у команды документация, скриншоты, записи, исходный код и продуктовые ролики распределены по разным хранилищам, обычная индексация только текста заставляет пропускать все модальности через этап перевода. Изображения приходится снабжать подписями, аудио — расшифровывать, а видео — сводить к выбранным кадрам, прежде чем текстовая модель эмбеддингов вообще сможет их обработать. EmbeddingGemma 2 призвана убрать часть таких преобразований, помещая несколько типов медиа в общее 768-мерное векторное пространство.\n\n Модель была представлена 6 октября 2026 года командами Google DeepMind и Google AI Edge. В официальной документации она описана как открытая модель на 740 миллионах параметров для унифицированных мультимодальных эмбеддингов. Модульные варианты позволяют загружать не всю модель, если разработчику нужны только текст и код. Google заявляет, что модель выпущена под лицензией Apache 2.0 и может работать локально и автономно на потребительском оборудовании.\n\n За релизом стоит практическая проблема: приватный поиск с малой задержкой на устройствах, которые не могут разместить большую генеративную модель. Но к нему стоит подходить без спешки. Карточка модели, условия бенчмарков, формат входных данных, выбор квантования и устройство индекса определят, даст ли она улучшение в настоящем приложении. Общее векторное пространство — полезная инфраструктура, но не доказательство того, что все задачи межмодального поиска уже решены.\n\n ## Что изменилось в EmbeddingGemma 2\n\n Главное отличие от первой EmbeddingGemma — масштаб входного пространства. EmbeddingGemma 1 была компактной моделью эмбеддингов для текста. EmbeddingGemma 2 расширяет эту идею на текст, код, изображения, видео и аудио, включая сочетания этих типов данных. Описание можно сопоставить со скриншотом, произнесённую фразу — с кадром видео, а запрос по коду — с релевантным исходным файлом, не переводя предварительно всё в единую текстовую форму.\n\n Согласно официальной документации, система создаёт 768-мерные векторы и поддерживает контекст длиной до 8192 токенов для текста и исходного кода. В анонсе Google говорится о модульной архитектуре: от конфигурации на 270 миллионов параметров для текста и кода до полной мультимодальной модели на 740 миллионов параметров. Это различие важнее, чем одно заголовочное число параметров. Разработчику локального поиска по коду не обязательно держать в памяти компоненты для изображений, видео и аудио. А медиатека не может исходить из того, что объём текстовой версии описывает полный мультимодальный запуск.\n\n Модель также поддерживает Matryoshka Representation Learning, или MRL. На практике выход можно усекать до 128, 256 или 512 измерений, а не хранить все 768 значений. Это способно уменьшить объём векторной базы и стоимость вычисления расстояний, однако компромисс по качеству нужно измерять на собственных данных приложения. Меньший вектор не становится автоматически лучшим, а оптимальная размерность зависит от требований к полноте, типа индекса и распределения корпуса.\n\n Google сообщает о заметном улучшении по сравнению с первой моделью на бенчмарке Code MTEB: показатель вырос с 68,76 до 78,68. Это полезный сигнал для поиска по коду, но не универсальный рейтинг всех возможных retrieval-нагрузок. Улучшение на отобранных наборах данных не показывает команде, будут ли её собственные задачи, монорепозиторий, скриншоты или записи поддержки возвращать правильные свидетельства.\n\n Релиз сохраняет акцент первой модели на работе непосредственно на устройстве. Google сообщает, что квантованные веса только текстовой версии могут занимать около 191 МБ активной оперативной памяти на Pixel 11 Pro, а полная мультимодальная модель — около 567 МБ в той же эталонной конфигурации. Эти значения привлекательны для мобильных и периферийных приложений, но измерены на конкретном устройстве, в конкретной среде выполнения и при определённой схеме квантования. Их следует считать ориентировочными числами для планирования, а не обещанием для любого CPU, GPU, NPU или браузера.\n\n ## Зачем нужно общее пространство эмбеддингов\n\n Большинство систем поиска по-прежнему собираются как цепочка специализированных компонентов. Документы проходят через текстовую модель эмбеддингов. Изображения получают подписи или обрабатываются отдельной моделью. Аудио расшифровывается. Видео разбивается на кадры, которые затем описываются или векторизуются. Поиск остаётся внутри одной модальности либо зависит от второй системы, соединяющей результаты разных индексов. Такая архитектура может работать хорошо, но добавляет задержку, точки отказа и решения о том, какую информацию допустимо отбросить.\n\n Единое пространство эмбеддингов меняет первый вопрос: вместо «как перевести это медиа в текст?» система спрашивает «что семантически близко к запросу независимо от исходного формата?». Представим приложение для выездного обслуживания. Техник может искать по произнесённому описанию неисправности и ожидать руководство по ремонту, фотографию повреждённой детали и короткое видео с процедурой. Текстовый конвейер способен это поддержать, но ему нужны расшифровка, разметка изображений и аккуратное расширение запроса. Нативная мультимодальная модель эмбеддингов может сделать такие связи доступными раньше в конвейере.\n\n Та же схема подходит программным командам. В репозитории могут находиться исходный код, документация API, архитектурные диаграммы, записи терминала и скриншоты из задачи. Разработчик, который спрашивает «на каком экране показана ошибка обновления токена», задаёт не чисто текстовый вопрос. Модель, векторизующая код и изображения в общем пространстве, может позволить слою извлечения найти свидетельство, которое текстовый индекс никогда бы не показал.\n\n Есть и аргумент в пользу приватности. Если эмбеддинги создаются локально, устройству не нужно отправлять личные фотографии, записанные разговоры или внутренние документы в размещённый сервис индексации только ради возможности поиска. Автономная работа уменьшает сетевую экспозицию и повышает отзывчивость при плохом соединении. Но сама по себе она не делает всё приложение приватным: журналы, аналитика, синхронизация, загрузка модели и генеративная модель, работающая после извлечения, требуют отдельной проверки.\n\n Поэтому релиз не столько про лозунг «ИИ в телефоне», сколько про перенос конкретной части инфраструктуры ближе к данным. Локальный индекс может поддерживать поиск по мере ввода, приватное извлечение документов, организацию медиатеки и маршрутизацию без обращения к API эмбеддингов. Это реальные преимущества, если устройство, среда выполнения и корпус укладываются в рабочий диапазон модели.\n\n ## Модель достаточно мала для тестирования, но не обязательно для любого продукта\n\n Модель на 740 миллионах параметров компактна рядом с современной генеративной моделью, но не невесома. Разработчику нужно учитывать файлы модели, токенизатор и код процессора, временную память активаций, сам векторный индекс, приложение и возможный последующий переранжировщик или языковую модель. Мультимодальные входы также сильно различаются по стоимости. Текстовый запрос, изображение высокого разрешения, длинная аудиозапись и последовательность кадров видео — это не равноценные единицы работы.\n\n Модульная конструкция помогает. Приложения для текста и кода могут использовать меньшую конфигурацию и не поставлять неиспользуемые энкодеры. Фотобиблиотека может загрузить поддержку зрения, не включая аудио. Приложение, которое изредка индексирует видео, способно обрабатывать кадры фоновой задачей, а не держать все модальности в памяти во время интерактивного поиска. Это архитектурные решения, а не просто флаги в вызове API.\n\n Заявленные значения памяти особенно убедительны для разработчиков, у которых уже есть узкий локальный сценарий. Инструмент поиска по заметкам на телефоне, каталог медиа на компьютере или автономный ассистент поддержки могут измерить, приемлемы ли несколько сотен мегабайт и задержка локального вывода. Для большого корпоративного архива с миллионами документов всё ещё могут понадобиться серверный уровень индексации, пакетная обработка, распределённое векторное хранилище и отдельная политика хранения исходных медиа.\n\n Квантование добавляет ещё один слой решений. Оно может сделать модель пригодной для большего числа устройств, но изменение числовой точности способно повлиять на ранжирование по сходству. Если приложение возвращает всего несколько результатов, небольшая потеря полноты может сразу стать заметной. Если оно формирует широкий набор кандидатов, а затем использует сильный переранжировщик, та же потеря может оказаться приемлемой. Проверять нужно не только то, запускается ли квантованная модель, а возвращает ли итоговый продукт правильные свидетельства при приемлемой стоимости.\n\n ## Первый практический тест должен измерять качество поиска, а не демонстрацию\n\n Самая простая демонстрация — межмодальный поиск: ввести предложение и получить подходящую картинку либо показать изображение и получить связанный текст. Это полезно для проверки соединения компонентов, но почти ничего не говорит о производственном качестве. До изменения индекса команде стоит собрать небольшой набор для оценки.\n\n Начните с настоящих запросов целевого рабочего процесса. Для кодовой базы соберите запросы, которые разработчики действительно вводят, и отметьте файлы, содержащие ответ. Для архива поддержки выберите записи, скриншоты и документы, относящиеся к одному инциденту. Для личной библиотеки используйте естественные описания, а не ярлыки, придуманные разработчиком. Добавьте сложные отрицательные примеры: визуально похожие изображения с разным смыслом, файлы кода с общей лексикой, но разным поведением, и записи, где транскрипция содержит правильные слова, хотя важное свидетельство видно только в видео.\n\n Измеряйте полноту на нескольких глубинах, а не только то, выглядит ли первый результат удачным. Recall@5 или Recall@10 показывает, есть ли у последующего переранжировщика шанс восстановить ответ. Отдельно отслеживайте задержку индексации и интерактивных запросов. Фиксируйте использование памяти, расход батареи и размер индекса на реальных устройствах. Если приложение поддерживает несколько модальностей, сравнивайте внутримодальные и межмодальные запросы: модель может быть сильной в поиске по тексту, но слабее в сопоставлении изображения с текстом или аудио с кодом.\n\n Формату входных данных нужно уделить особое внимание. Руководство модели описывает использование задач через sentence-transformers и обозначает модель как `google/embeddinggemma-2`. Модели эмбеддингов часто различают документ, запрос, заголовок и фрагмент с помощью префиксов или структурированных подсказок. Если корпус индексируется по одному соглашению, а запрос кодируется по другому, качество может упасть без заметной ошибки выполнения. Точные настройки предварительной обработки, модальностей, размерности и нормализации нужно хранить рядом с версией индекса.\n\n Минимальный эксперимент может сравнить четыре конфигурации: существующую текстовую модель эмбеддингов, EmbeddingGemma 2 с полными 768-мерными векторами, ту же модель с уменьшенной размерностью MRL и квантованную локальную сборку. Корпус и набор запросов должны оставаться неизменными. Такой эксперимент полезнее отполированной демонстрации: он покажет, устраняет ли мультимодальная возможность реальный пробел в поиске или всего лишь добавляет в сопровождение ещё одну модель.\n\n ## Где разработчикам стоит попробовать её сначала\n\n Лучшие ранние кандидаты — приложения, где информация уже смешана по форматам и где отправка данных в размещённый API нежелательна. Локальная база знаний — один из примеров. Она может индексировать Markdown, PDF, скриншоты и голосовые заметки, а затем возвращать связанные материалы без загрузки исходных файлов. Системе всё равно понадобятся разбор документов, OCR и, возможно, распознавание речи, но этап эмбеддингов после подготовки входов может дать общий слой поиска.\n\n Другой вариант — настольный органайзер медиа. Пользователь может искать по фотографии и находить связанные текстовые заметки, либо вводить фразу и получать изображения и короткие ролики. Локальная модель особенно уместна, когда библиотека личная, большая и не предназначена для облачной синхронизации. Продукт должен ясно сообщать, хранятся ли эмбеддинги локально, покидают ли устройство миниатюры или оригиналы и выполняет ли дополнительную обработку какой-либо фоновый сервис.\n\n Инструменты для разработчиков — более технически сложная, но перспективная область. IDE или обозреватель кода может объединить фрагменты кода с информацией о символах, скриншоты задач, дизайн-референсы и записи тестовых сессий. Сообщение об улучшении на кодовом бенчмарке делает такой тест разумным, но у поиска по исходникам есть ограничения, которые не отражает обычное семантическое сходство. Имена, импорты, связи вызовов, границы версий и точные сообщения об ошибках часто важнее общей смысловой близости. Гибридная система с лексическим поиском, индексом символов и эмбеддингами, вероятно, безопаснее полной замены существующего поиска одним векторным индексом.\n\n Ещё один сценарий — маршрутизация намерений на устройстве, упомянутая в материалах запуска Google. Вместо обучения классификатора для каждого небольшого приложения разработчик может сравнивать ввод с набором меток или описаний и выбирать ближайшее намерение. Это привлекательно для автономных команд и интерфейсов, чувствительных к приватности. Но нужны консервативные пороги. При низкой уверенности система должна запросить уточнение или перейти к детерминированному пути, а не молча выбрать разрушительное действие.\n\n Поиск по видео может выиграть от общего пространства, но именно здесь предположения о стоимости быстрее всего ломаются. Длинную запись приходится сэмплировать, а нужный момент может находиться между выбранными кадрами или зависеть от речи. Индексация каждого кадра с полной детализацией создаёт большой индекс и дорогую задачу загрузки. Практическая система может объединять фрагменты транскрипции, границы сцен, выбранные ключевые кадры и метаданные, используя мультимодальную модель для формирования кандидатов.\n\n ## Чего не следует предполагать по материалам запуска\n\n Первая ошибка — считать слово «открытая» полным описанием релиза. По документации Google, EmbeddingGemma 2 имеет открытые веса и лицензию Apache 2.0, что является удобной отправной точкой для развёртывания и модификации. Но приложение всё равно наследует обязательства остальных зависимостей, среды запуска модели, наборов данных и канала распространения. Команде следует хранить лицензию модели вместе с конкретными поставляемыми весами и проверить дополнительные условия Gemma или требования к использованию выбранного артефакта.\n\n Вторая ошибка — считать, что общее векторное пространство делает все модальности одинаково доступными для поиска. Межмодальное выравнивание — целевая характеристика оптимизации, а не гарантия одинакового качества для текста, изображений, видео и аудио. Опубликованные Google бенчмарки дают сведения о выбранных задачах. Они не заменяют набор оценки, построенный на данных пользователей приложения, их языках, стилях изображений, условиях записи и предметной лексике.\n\n Третья ошибка — использовать эмбеддинги как границу безопасности. Векторный индекс может раскрывать сведения через атаки на принадлежность, результаты поиска ближайших соседей или плохо защищённые резервные копии. Локальное хранение снижает сетевую экспозицию, но не защищает компьютер от скомпрометированного процесса или разблокированного устройства. Для чувствительных приложений нужно рассмотреть шифрование данных в состоянии покоя, контроль доступа, поведение при удалении и сохранение векторов после удаления исходного файла.\n\n Четвёртая ошибка — путать извлечение с пониманием. EmbeddingGemma 2 может помочь выбрать релевантные свидетельства, но не проверяет, актуальны ли они, авторитетны ли и безопасно ли действовать на их основании. Локальному RAG-ассистенту всё ещё нужны атрибуция источников, правила свежести, фильтрация доступа и генеративная модель, которой явно велено отличать извлечённые факты от догадок. Если выбран неправильный скриншот или устаревшая ветка кода, беглый ответ может лишь усложнить обнаружение ошибки.\n\n ## Альтернативы и критерии выбора\n\n Правильное сравнение зависит от задачи. Если приложению нужен только мультиязычный поиск по тексту, прежняя EmbeddingGemma или другая проверенная текстовая модель могут быть дешевле и проще для валидации. Нет смысла платить за сложность мультимодальной поддержки, когда корпус и запросы состоят только из текста. Собственная документация Google описывает EmbeddingGemma 1 как отдельную предыдущую версию, а не как основу, требующую обязательной миграции.\n\n Для серверного поиска более крупные модели эмбеддингов всё ещё могут выигрывать по качеству или языковому охвату, особенно если память и сетевой доступ не являются ограничениями. Размещённые API также способны упростить эксплуатацию, но добавляют вопросы стоимости, задержки, управления данными и зависимости от сервиса. Сравнивать нужно производительность всей системы, а не только модельные бенчмарки: важны пропускная способность индексации, задержка запроса, хранилище, поведение при сбоях и сопровождение.\n\n Специализированные конвейеры остаются разумными, когда у модальности есть предметные требования. OCR может лучше справляться с точным текстом в документах. Распознавание аудио открывает доступ к словам и временным меткам. Инструменты анализа кода используют парсеры и языковые серверы для понимания символов и ссылок. EmbeddingGemma 2 может работать рядом с такими системами как общий семантический слой, а не заменять их.\n\n Открытые мультимодальные модели других сообществ предлагают иные компромиссы по размеру, языковой поддержке, совместимости со средой выполнения или лицензированию. Полезный вопрос не в том, у какой модели сильнее заявление на запуске. Важно, запускается ли она в требуемой среде, подходит ли лицензия продукту, может ли команда воспроизвести предварительную обработку и приемлемы ли её ошибки для конкретной задачи пользователя.\n\n ## Разумный план внедрения\n\n Для первого испытания зафиксируйте точную ревизию модели и среду выполнения. Не стройте производственный индекс на движущемся артефакте с именем «latest». Храните настройки предварительной обработки, выходную размерность, правило нормализации и параметры квантования в метаданных индекса. До настройки порога поиска создайте небольшой отложенный набор тестов.\n\n Затем проверьте один узкий рабочий процесс от начала до конца. Полезным пилотом может стать поиск по нескольким тысячам внутренних документов и скриншотов или поиск ремонтных роликов в контролируемом наборе записей. По возможности исключите генеративный слой ответа из первого измерения. Сначала докажите, что слой извлечения возвращает правильные свидетельства. Только после этого оценивайте, даёт ли последующий ассистент более качественные ответы.\n\n Сравните локальный и размещённый базовые варианты на одних и тех же запросах. Включите медленные устройства, фоновую индексацию и прерванные задания. Проверьте, что происходит после удаления исходного файла, когда обновление модели меняет геометрию векторов и когда пользователь задаёт запрос на языке или в формате, недостаточно представленном в наборе оценки. Перестроение индекса следует считать штатной операцией, а не исключительной катастрофой.\n\n Наконец, сделайте границы продукта видимыми. Пользователь должен знать, какие данные остаются на устройстве, что синхронизируется, как долго сохраняются эмбеддинги и вызывается ли после извлечения онлайн-модель. Дайте возможность посмотреть источник, стоящий за результатом. Если система используется для принятия решений, при низкой уверенности или конфликте свидетельств требуйте подтверждения. Локальный вывод может улучшить приватность и отзывчивость, но прозрачность тоже нужно проектировать.\n\n ## Более широкий смысл релиза\n\n EmbeddingGemma 2 интересна как открытый релиз потому, что сосредоточена на соединительной ткани программного обеспечения, а не на впечатляющем опыте чат-бота. Ценность мультимодальной модели эмбеддингов проявляется только тогда, когда продукту нужно связать информацию: вопрос со скриншотом, фразу с записью, функцию с отчётом об инциденте. Для таких процессов компактная локальная модель может упростить индексацию и сделать приватный поиск доступным на устройствах, которые раньше зависели от сервера.\n\n Релиз не даёт основания за одну ночь заменять работающий поисковый стек. Его практический вклад — вариант, который можно проверить: одно семейство моделей, несколько типов входов, локальное выполнение, открытые веса и меньший объём развёртывания по сравнению со многими универсальными мультимодальными системами. Такое сочетание стоит опробовать в ограниченном пилоте, особенно для приватного поиска по медиа, баз знаний со смешанными форматами и периферийных приложений.\n\n Рекомендация проста. Начните с корпуса, где межмодальный поиск решает заметную проблему. Сохраните лексические, структурные и специализированные индексы там, где они обеспечивают точность. Измерьте полноту, задержку, память, хранилище и поведение при удалении на реальном оборудовании. Проверьте лицензию и условия модели вместе со всем деревом зависимостей. Если EmbeddingGemma 2 улучшает свидетельства, доходящие до пользователя, и не делает систему менее понятной, она заслуживает места в стеке. Если она лишь делает демонстрацию эффектнее, меньшая и более простая базовая система всё ещё будет лучшим инженерным выбором.\n\n ## Источники\n\n Материал основан на официальном анонсе Google о EmbeddingGemma 2, публикации Google Developers Blog о мультимодальном семантическом поиске на периферии, руководстве разработчика EmbeddingGemma 2, документации Google AI for Developers, карточке модели и репозитории `google/embeddinggemma-2` на Hugging Face, а также на обсуждениях сообщества LocalLLaMA о локальном запуске и WebGPU. Для лицензионного контекста использована страница релизов Gemma от Google AI for Developers.","available_translations":[{"language":"ar","title":"EmbeddingGemma 2 يجعل البحث المحلي متعدد الوسائط عملياً، لكنه ليس ترقية جاهزة لـ RAG","html_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval?lang=ar","markdown_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.md?lang=ar","json_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.json?lang=ar","api_url":"https://publicasta.com/api/public/v1/channels/open_source_radar/articles/embeddinggemma_2_local_multimodal_retrieval?lang=ar"},{"language":"de","title":"EmbeddingGemma 2 macht lokale multimodale Suche praktikabel – ist aber kein RAG-Upgrade zum Einstecken","html_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval?lang=de","markdown_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.md?lang=de","json_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.json?lang=de","api_url":"https://publicasta.com/api/public/v1/channels/open_source_radar/articles/embeddinggemma_2_local_multimodal_retrieval?lang=de"},{"language":"en","title":"EmbeddingGemma 2 makes local multimodal search practical, but it is not a drop-in RAG upgrade","html_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval?lang=en","markdown_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.md?lang=en","json_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.json?lang=en","api_url":"https://publicasta.com/api/public/v1/channels/open_source_radar/articles/embeddinggemma_2_local_multimodal_retrieval?lang=en"},{"language":"es","title":"EmbeddingGemma 2 hace práctico el buscador multimodal local, pero no es una mejora RAG lista para usar","html_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval?lang=es","markdown_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.md?lang=es","json_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.json?lang=es","api_url":"https://publicasta.com/api/public/v1/channels/open_source_radar/articles/embeddinggemma_2_local_multimodal_retrieval?lang=es"},{"language":"fr","title":"EmbeddingGemma 2 rend la recherche multimodale locale praticable, sans transformer pour autant le RAG en solution prête à l’emploi","html_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval?lang=fr","markdown_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.md?lang=fr","json_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.json?lang=fr","api_url":"https://publicasta.com/api/public/v1/channels/open_source_radar/articles/embeddinggemma_2_local_multimodal_retrieval?lang=fr"},{"language":"pl","title":"EmbeddingGemma 2 sprawia, że lokalne wyszukiwanie multimodalne staje się praktyczne, ale nie jest gotowym ulepszeniem RAG","html_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval?lang=pl","markdown_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.md?lang=pl","json_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.json?lang=pl","api_url":"https://publicasta.com/api/public/v1/channels/open_source_radar/articles/embeddinggemma_2_local_multimodal_retrieval?lang=pl"},{"language":"ru","title":"EmbeddingGemma 2 делает локальный мультимодальный поиск практичным, но не является готовым обновлением RAG","html_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval?lang=ru","markdown_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.md?lang=ru","json_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.json?lang=ru","api_url":"https://publicasta.com/api/public/v1/channels/open_source_radar/articles/embeddinggemma_2_local_multimodal_retrieval?lang=ru"},{"language":"zh","title":"EmbeddingGemma 2 让本地多模态搜索变得实用，但它不是即插即用的 RAG 升级","html_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval?lang=zh","markdown_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.md?lang=zh","json_url":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.json?lang=zh","api_url":"https://publicasta.com/api/public/v1/channels/open_source_radar/articles/embeddinggemma_2_local_multimodal_retrieval?lang=zh"}],"_links":{"self":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.json?lang=ru","api":"https://publicasta.com/api/public/v1/channels/open_source_radar/articles/embeddinggemma_2_local_multimodal_retrieval?lang=ru","html":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval?lang=ru","canonical":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval?lang=ru","markdown":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.md?lang=ru","json":"https://publicasta.com/open_source_radar/embeddinggemma_2_local_multimodal_retrieval.json?lang=ru","channel":"https://publicasta.com/api/public/v1/channels/open_source_radar","channel_articles":"https://publicasta.com/api/public/v1/channels/open_source_radar/articles","search":"https://publicasta.com/api/public/v1/search","documentation":"https://publicasta.com/api-docs#reading-publicasta","openapi":"https://publicasta.com/api-docs/openapi.json","llms":"https://publicasta.com/llms.txt"}}