İçindekiler
Google, çok modlu (multimodal) gömme (embedding) modeli ailesini büyüttü: EmbeddingGemma 2 yayınlandı. Model; metin, kod, görsel, video ve sesi tek bir ortak gömme uzayında birleştiriyor ve bunu tamamen cihaz üzerinde (on-device) yapıyor. Apache 2.0 lisansıyla, ticari kullanıma açık biçimde sunuldu.
EmbeddingGemma 2 nedir?
Geçen yıl tanıtılan EmbeddingGemma, 20 milyondan fazla indirilerek yerel arama ve gizlilik odaklı RAG (retrieval augmented generation) akışlarında kendine yer bulmuştu. Yeni sürüm bu temelin üzerine çıkıyor: 740 milyon parametreli model, Gemma 4 mimarisi üzerine inşa edildi ve yalnızca metinle sınırlı değil; kodu, görselleri, videoyu ve sesi de kapsıyor.
Öne çıkan özellikler
- Boyutuna göre sınıf lideri: MTEB Code ve MAEB gibi karşılaştırmalı testlerde 1 milyar altı çok modlu modeller arasında en iyi skorları alıyor; bazı testlerde kendisinden iki kat büyük uzman modelleri bile geride bırakıyor.
- Modüler tasarım: Yalnızca metin için 270 milyon parametre yeterli; görsel (170M) ve ses (300M) kodlayıcıları isteğe bağlı ekleniyor.
- Depolama verimliliği: Matryoshka Representation Learning (MRL) ile vektörler 768 boyuttan 512, 256 veya 128'e kısaltılabiliyor. Yerel vektör veritabanlarında 6 kata kadar depolama tasarrufu sağlıyor.
- Cihaz üzerinde performans: Google Pixel 11 Pro'da nicemleme (quantization) ile metin ağırlıkları yalnızca ~191 MB, tüm çok modlu model ~567 MB aktif RAM kullanıyor.
- Geniş bağlam: 8K token bağlam penceresi sayesinde 5,5 dakika ses, 29 görsel veya 58 video karesini doğrudan yerel donanımda işleyebiliyor.
Performans: kod tarafında büyük artış
EmbeddingGemma 2, metin ve çok dillilikte bir önceki sürümün güçlü performansını korurken kod tarafında ciddi bir sıçrama yapıyor: MTEB Code testinde skor 68,76'dan 78,68'e, yani yaklaşık 9,92 puan yükseliyor. Bu, yerel kod tabanı indeksleme, anlamsal kod arama ve kodlama ajanlarının bilgi çekme (retrieval) adımları için önemli bir kazanım. Görsel, video, doküman ve ses görevlerinde ise 1 milyar altı modellerde "parametre başına kalite" standardını yeniden belirliyor.
Neden cihaz üzerinde çalışması önemli?
Gömmeleri yerelde üretmek üç avantaj sağlıyor: veri gizliliği (veri cihazdan çıkmıyor), daha düşük gecikme ve tamamen çevrimdışı çalışabilme. Gemma 4 gibi üretici modellerle eşleştirildiğinde EmbeddingGemma 2, karmaşık çok modlu veriyi anlayan yerel RAG akışlarını mümkün kılıyor. Model, Gemma 4 ile aynı metin tokenizer'ını ve ses kodlayıcısını paylaştığı için ikisi tek bir akışta, daha düşük toplam bellek ayak iziyle birlikte çalışabiliyor.
Nasıl kullanılır?
Model ağırlıkları Hugging Face ve Kaggle üzerinden indirilebiliyor. Cihaz üzerinde dağıtım için Google AI Edge'in MediaPipe ve LiteRT araçları kullanılabilir; tarayıcıda transformers.js veya WebGPU ile çalıştırılabilir. Popüler araçlarla uyumluluk geniş: transformers, vLLM, llama.cpp, Ollama, LM Studio ve Qdrant destekleniyor. Unsloth ise ince ayar (fine-tuning) rehberi sundu.
Değerlendirme
EmbeddingGemma 2, "küçük ama yetenekli" yerel modellerde çıtayı yükseltiyor. Bulut maliyeti ve gizlilik endişeleri büyürken, tek bir 740 milyon parametreli modelle metin-kod-görsel-ses aramasını cihazda yapabilmek uygulama geliştiricileri için güçlü bir seçenek. Google'ın modeli Apache 2.0 ile ticari kullanıma açması da benimsenmeyi hızlandıracak gibi görünüyor.
Rakiplerle kıyaslama
Çok modlu gömme modelleri son dönemde hızla önem kazandı; çünkü RAG akışlarında yalnızca metin değil, görsel ve ses de aranması gerekiyor. EmbeddingGemma 2'nin avantajı, bu yeteneği bulut yerine cihaz üzerine taşıması ve Apache 2.0 gibi ticari kullanıma açık bir lisansla sunması. Böylece hem maliyet hem gizlilik açısından avantaj sağlarken, tamamen çevrimdışı çalışan uygulamaların önünü açıyor.
Kimler için uygun?
Kalıcı bağlantı sorunu olan saha uygulamaları, gizlilik mevzuatının katı olduğu sektörler ve cihaz üzerinde çalışan asistanlar EmbeddingGemma 2'den en çok faydalanacak alanlar arasında. Geliştiriciler için maliyet de bir avantaj: bulut tabanlı gömme API'leri yerine yerel çıkarım kullanmak, kullanım arttıkça maliyeti neredeyse sabit tutuyor.
Kaynak: Google Blog / DeepMind (6 Ekim 2026).