Google DeepMind a lancé EmbeddingGemma 2, un modèle d'embedding multimodal de 740 millions de paramètres publié sous licence Apache 2.0. Selon Google, ce modèle projette le code, les images, la vidéo et l'audio dans un espace d'embedding partagé et est optimisé pour des usages respectueux de la vie privée.
Cette sortie met entre les mains des développeurs un modèle d'embedding ouvert, à licence permissive, pour construire des systèmes de recherche, de retrieval et de classification sans envoyer de données vers une API cloud. La licence Apache 2.0 autorise l'usage commercial et la modification, un point important pour les équipes qui doivent exécuter des modèles en local.
Ce que fait EmbeddingGemma 2
Les embeddings sont des représentations numériques qui permettent à une machine de comparer du sens entre différents types de contenus. En plaçant code, images, vidéo et audio dans un même espace d'embedding, EmbeddingGemma 2 permet à un seul système de rechercher ou d'apparier des contenus de formats différents, au lieu de s'appuyer sur des modèles spécialisés séparés.
Google présente ce modèle comme conçu pour des cas d'usage respectueux de la vie privée, ce qui signifie qu'il peut tourner dans des environnements où les données ne doivent pas quitter l'appareil ou le serveur local. Avec 740 millions de paramètres, il reste assez compact pour un déploiement embarqué ou en périphérie de réseau.
Licence ouverte et course multimodale
La licence Apache 2.0 est le point central pour les développeurs : elle autorise l'usage commercial, la modification et la redistribution sans les restrictions liées à de nombreuses publications réservées à la recherche. EmbeddingGemma 2 devient donc un candidat pour les produits qui ont besoin de pipelines de retrieval personnalisés.
Ce lancement intervient alors que d'autres laboratoires poussent les systèmes multimodaux dans d'autres directions. Reka AI a publié un aperçu de recherche de Rho-1, un omni-modèle de 19 milliards de paramètres qui gère texte, images, vidéo et contrôle de robots dans un seul réseau, entraîné sur 320 GPU H100 pendant environ trois mois, selon The Decoder. Rho-1 traite toutes les modalités comme des tokens dans une fenêtre de contexte partagée, un choix de conception différent de celui d'un modèle d'embedding dédié.
