SpezialmodellOffene Gewichte
EmbeddingGemma 2
Google DeepMind
- Veröffentlicht
- 6. Oktober 2026
- Datenstand
- 7. Oktober 2026
EmbeddingGemma 2 erweitert Googles EmbeddingGemma um gemeinsame Repräsentationen für Text, Code, Bilder, Video und Audio. Der Vorgänger verarbeitete Text; die neue Version ordnet mehrere Modalitäten in einem 768-dimensionalen Vektorraum ein.
Google veröffentlicht 740 Millionen Parameter unter Apache 2.0 für lokale Nutzung. Das Modell gibt Embedding-Vektoren aus und erzeugt keine Text- oder Audioantworten.
Technische Daten und Zugang
| Angabe | Wert und Quelle |
|---|---|
| Modellkennung | google/embeddinggemma-2Quelle |
| Eingabemodalitäten | Text einschließlich Code, Bilder, Video und Audio, auch kombiniertQuelle |
| Ausgabemodalitäten | 768-dimensionale Embedding-Vektoren, kürzbar auf 512, 256 oder 128 Dimensionen; keine Text- oder AudioantwortenQuelle |
| Parameter | 740 Millionen insgesamt, einschließlich modularer Vision- und Audio-EncoderQuelle |
| Kontextfenster | 8.192 Token über alle unterstützten ModalitätenQuelle |
| Lizenz | Apache 2.0Quelle |
| Zugang | Öffentliche Gewichte auf Hugging Face und Kaggle; lokale AusführungQuelle |
Seite 1 von 3
Messungen ohne passende Vergleichswerte
Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.
MTEB multilingual v2 (output 768d) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 61.36
- Bewertung
- 61.36
- Messgröße
- Mean(Task); Multiple
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- MTEB v2
- Kategorie
- multilingual
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Google DeepMind EmbeddingGemma 2 model card
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Vom Anbieter veröffentlichter Wert. Vollpräzisions-Checkpoint google/embeddinggemma-2; MRL-Ausgabevektor mit 768 Dimensionen. Für gekürzte Vektoren nennt die Karte eine anschließende Normalisierung; das konkrete Prompt-Präfix und die Aufgabenliste dieses Laufs sind nicht einzeln ausgewiesen.
- Einordnung
- Die Modellkarte veröffentlicht aggregierte Aufgabenwerte ohne gemeinsame Einheit und ohne Stichprobengröße je Lauf.
MTEB multilingual v2 (output 512d) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 61.17
- Bewertung
- 61.17
- Messgröße
- Mean(Task); Multiple
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- MTEB v2
- Kategorie
- multilingual
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Google DeepMind EmbeddingGemma 2 model card
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Vom Anbieter veröffentlichter Wert. Vollpräzisions-Checkpoint google/embeddinggemma-2; MRL-Ausgabevektor mit 512 Dimensionen. Für gekürzte Vektoren nennt die Karte eine anschließende Normalisierung; das konkrete Prompt-Präfix und die Aufgabenliste dieses Laufs sind nicht einzeln ausgewiesen.
- Einordnung
- Die Modellkarte veröffentlicht aggregierte Aufgabenwerte ohne gemeinsame Einheit und ohne Stichprobengröße je Lauf.
MTEB multilingual v2 (output 256d) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 60.41
- Bewertung
- 60.41
- Messgröße
- Mean(Task); Multiple
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- MTEB v2
- Kategorie
- multilingual
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Google DeepMind EmbeddingGemma 2 model card
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Vom Anbieter veröffentlichter Wert. Vollpräzisions-Checkpoint google/embeddinggemma-2; MRL-Ausgabevektor mit 256 Dimensionen. Für gekürzte Vektoren nennt die Karte eine anschließende Normalisierung; das konkrete Prompt-Präfix und die Aufgabenliste dieses Laufs sind nicht einzeln ausgewiesen.
- Einordnung
- Die Modellkarte veröffentlicht aggregierte Aufgabenwerte ohne gemeinsame Einheit und ohne Stichprobengröße je Lauf.
MTEB multilingual v2 (output 128d) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 57.89
- Bewertung
- 57.89
- Messgröße
- Mean(Task); Multiple
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- MTEB v2
- Kategorie
- multilingual
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Google DeepMind EmbeddingGemma 2 model card
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Vom Anbieter veröffentlichter Wert. Vollpräzisions-Checkpoint google/embeddinggemma-2; MRL-Ausgabevektor mit 128 Dimensionen. Für gekürzte Vektoren nennt die Karte eine anschließende Normalisierung; das konkrete Prompt-Präfix und die Aufgabenliste dieses Laufs sind nicht einzeln ausgewiesen.
- Einordnung
- Die Modellkarte veröffentlicht aggregierte Aufgabenwerte ohne gemeinsame Einheit und ohne Stichprobengröße je Lauf.
MTEB English v2 (output 768d) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 68.46
- Bewertung
- 68.46
- Messgröße
- Mean(Task); Multiple
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- MTEB v2
- Kategorie
- English text
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Google DeepMind EmbeddingGemma 2 model card
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Vom Anbieter veröffentlichter Wert. Vollpräzisions-Checkpoint google/embeddinggemma-2; MRL-Ausgabevektor mit 768 Dimensionen. Für gekürzte Vektoren nennt die Karte eine anschließende Normalisierung; das konkrete Prompt-Präfix und die Aufgabenliste dieses Laufs sind nicht einzeln ausgewiesen.
- Einordnung
- Die Modellkarte veröffentlicht aggregierte Aufgabenwerte ohne gemeinsame Einheit und ohne Stichprobengröße je Lauf.
MTEB English v2 (output 512d) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 68.41
- Bewertung
- 68.41
- Messgröße
- Mean(Task); Multiple
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- MTEB v2
- Kategorie
- English text
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Google DeepMind EmbeddingGemma 2 model card
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Vom Anbieter veröffentlichter Wert. Vollpräzisions-Checkpoint google/embeddinggemma-2; MRL-Ausgabevektor mit 512 Dimensionen. Für gekürzte Vektoren nennt die Karte eine anschließende Normalisierung; das konkrete Prompt-Präfix und die Aufgabenliste dieses Laufs sind nicht einzeln ausgewiesen.
- Einordnung
- Die Modellkarte veröffentlicht aggregierte Aufgabenwerte ohne gemeinsame Einheit und ohne Stichprobengröße je Lauf.
MTEB English v2 (output 256d) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 67.78
- Bewertung
- 67.78
- Messgröße
- Mean(Task); Multiple
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- MTEB v2
- Kategorie
- English text
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Google DeepMind EmbeddingGemma 2 model card
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Vom Anbieter veröffentlichter Wert. Vollpräzisions-Checkpoint google/embeddinggemma-2; MRL-Ausgabevektor mit 256 Dimensionen. Für gekürzte Vektoren nennt die Karte eine anschließende Normalisierung; das konkrete Prompt-Präfix und die Aufgabenliste dieses Laufs sind nicht einzeln ausgewiesen.
- Einordnung
- Die Modellkarte veröffentlicht aggregierte Aufgabenwerte ohne gemeinsame Einheit und ohne Stichprobengröße je Lauf.
MTEB English v2 (output 128d) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 65.68
- Bewertung
- 65.68
- Messgröße
- Mean(Task); Multiple
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- MTEB v2
- Kategorie
- English text
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Google DeepMind EmbeddingGemma 2 model card
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Vom Anbieter veröffentlichter Wert. Vollpräzisions-Checkpoint google/embeddinggemma-2; MRL-Ausgabevektor mit 128 Dimensionen. Für gekürzte Vektoren nennt die Karte eine anschließende Normalisierung; das konkrete Prompt-Präfix und die Aufgabenliste dieses Laufs sind nicht einzeln ausgewiesen.
- Einordnung
- Die Modellkarte veröffentlicht aggregierte Aufgabenwerte ohne gemeinsame Einheit und ohne Stichprobengröße je Lauf.
MTEB code v1 (output 768d) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 78.68
- Bewertung
- 78.68
- Messgröße
- Mean(Task); NDCG@10
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- MTEB v1
- Kategorie
- code
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Google DeepMind EmbeddingGemma 2 model card
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Vom Anbieter veröffentlichter Wert. Vollpräzisions-Checkpoint google/embeddinggemma-2; MRL-Ausgabevektor mit 768 Dimensionen. Für gekürzte Vektoren nennt die Karte eine anschließende Normalisierung; das konkrete Prompt-Präfix und die Aufgabenliste dieses Laufs sind nicht einzeln ausgewiesen.
- Einordnung
- Die Modellkarte veröffentlicht aggregierte Aufgabenwerte ohne gemeinsame Einheit und ohne Stichprobengröße je Lauf.
MTEB code v1 (output 512d) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 77.24
- Bewertung
- 77.24
- Messgröße
- Mean(Task); NDCG@10
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- MTEB v1
- Kategorie
- code
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Google DeepMind EmbeddingGemma 2 model card
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Vom Anbieter veröffentlichter Wert. Vollpräzisions-Checkpoint google/embeddinggemma-2; MRL-Ausgabevektor mit 512 Dimensionen. Für gekürzte Vektoren nennt die Karte eine anschließende Normalisierung; das konkrete Prompt-Präfix und die Aufgabenliste dieses Laufs sind nicht einzeln ausgewiesen.
- Einordnung
- Die Modellkarte veröffentlicht aggregierte Aufgabenwerte ohne gemeinsame Einheit und ohne Stichprobengröße je Lauf.
MTEB code v1 (output 256d) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 76.18
- Bewertung
- 76.18
- Messgröße
- Mean(Task); NDCG@10
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- MTEB v1
- Kategorie
- code
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Google DeepMind EmbeddingGemma 2 model card
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Vom Anbieter veröffentlichter Wert. Vollpräzisions-Checkpoint google/embeddinggemma-2; MRL-Ausgabevektor mit 256 Dimensionen. Für gekürzte Vektoren nennt die Karte eine anschließende Normalisierung; das konkrete Prompt-Präfix und die Aufgabenliste dieses Laufs sind nicht einzeln ausgewiesen.
- Einordnung
- Die Modellkarte veröffentlicht aggregierte Aufgabenwerte ohne gemeinsame Einheit und ohne Stichprobengröße je Lauf.
MTEB code v1 (output 128d) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 71.41
- Bewertung
- 71.41
- Messgröße
- Mean(Task); NDCG@10
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- MTEB v1
- Kategorie
- code
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- Google DeepMind EmbeddingGemma 2 model card
- Status
- active
- Abrufdatum
- 2026-10-07
- Methodik
- Vom Anbieter veröffentlichter Wert. Vollpräzisions-Checkpoint google/embeddinggemma-2; MRL-Ausgabevektor mit 128 Dimensionen. Für gekürzte Vektoren nennt die Karte eine anschließende Normalisierung; das konkrete Prompt-Präfix und die Aufgabenliste dieses Laufs sind nicht einzeln ausgewiesen.
- Einordnung
- Die Modellkarte veröffentlicht aggregierte Aufgabenwerte ohne gemeinsame Einheit und ohne Stichprobengröße je Lauf.
Seite 1 von 3
Quellen und Datenstand
| Art | Nachweis und Datenstand |
|---|---|
| Recherchestand | Recherchestand 7. Oktober 2026. 4 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell. |
| Nicht veröffentlicht | per-suite prompts, task lists, and sample counts Originalwortlaut Google DeepMinds offizielle Karte veröffentlicht Suite-Aggregate für den genauen Checkpoint, einschließlich Vollpräzisions- und gekürzter Vektortabellen. Aufgabenwerte, Prompt-Zuordnung und Stichprobenzahl hinter diesen Aggregaten fehlen. Das offizielle MTEB-Modellverzeichnis führt google/embeddinggemma-300m, aber nicht diesen genauen Checkpoint. Der gefilterte Ergebnisendpunkt lieferte HTTP 500 und blieb nicht verfügbar. |
| Weitere Quelle | Google EmbeddingGemma 2 announcement (abgerufen 7. Oktober 2026) · Google EmbeddingGemma 2 announcement · Redaktionelle Beschreibung geprüft am 7. Oktober 2026 |
| Weitere Quelle | Google EmbeddingGemma 2 model card (abgerufen 7. Oktober 2026) · Google EmbeddingGemma 2 model card · Redaktionelle Beschreibung geprüft am 7. Oktober 2026 |
| Weitere Quelle | Modellmetadaten (abgerufen 7. Oktober 2026) |