EmbeddingGemma 2 把文本图像音频视频塞进一个向量空间，评论区先查量化账本

Omar Sanseviero 在 X 上放出 EmbeddingGemma 2 的论文链接。标题是 EmbeddingGemma 2: Unified and Efficient Multimodal Representations，作者 Henrique Schechter Vera 等人。论文页如图。

论文摘要说，这是一个开放的跨媒体嵌入模型，把文本、图像、音频、视频以及它们的组合放进统一的表示空间。做法包括简化每层嵌入和多阶段课程设计。论文声称在所有模式上优于专业模型和更大规模模型两到十二倍。资源受限环境也有开关：选择性加载模式编码器、调整视觉 token 预算、截断嵌入维度、量化权重。论文链接：https://arxiv.org/abs/2610.37364

统一嵌入空间的价值不绕。文本、图像、音频共享一个空间，跨模态检索就不必维护几套互不相通的索引。Lazy阿洋 在回复里点出这层好处，也留了条件：Pareto 优势要在有噪声的真实查询上成立，干净 benchmark 不算完。Donut 的说法更直接，EmbeddingGemma 2 带论文发布是对的，嵌入需要 recipe，不只是一个 checkpoint，他还追问多语言检索对比第一代如何。

评论区最有用的是数字。Michał Piszczek 看表1，Q4_0 int4 让 MTEB multilingual 从 61.36 到 60.96，掉得不多；MSEB cross-lingual retrieval 从 67.68 到 61.80，掉得明显。论文给那一列标了不同 eval harnesses，这个脚注不能略过。Kuldeep Pisda 盯音频：128 维在音频上吃亏，native MSEB retrieval 从 256 维的 66.76 掉到大约 56，所以音频索引的底线看起来是 256 维。

Hyper.AI 的回复是一段视频，白衬衫黑领带男子在厨房双手举起，表情激动。评论区有人用动作表达兴奋，另一边有人已经在算维度和掉点。

Bhavesh 觉得所有模态进一个统一空间是 game changer。Twonly Yu 问这个模型在欧洲能不能用，帖子里没有答案。

统一空间听起来像把厨房用具收进一个抽屉。找刀快不快，要看抽屉有没有被量化压扁，也要看音频这种占地方的物件会不会把抽屉撑坏。EmbeddingGemma 2 的论文把选择摆在桌面：要省资源，可以截维度、量化、按需加载编码器；要检索质量，先看表1里哪个模态掉了多少。对做检索的人，先查自己的索引维度和查询噪声，再决定要不要把四类模态塞进同一个空间。