EmbeddingGemma

2025-09-04 · Éditeur : Google · Domaine : Intelligence Artificielle

Google publie EmbeddingGemma, un modèle d'embeddings ouvert de 308 millions de paramètres pour les usages sur appareil : premier du classement MTEB parmi les modèles multilingues de moins de 500 M.

Google publie EmbeddingGemma, un modèle d'embeddings ouvert de 308 millions de paramètres pour les usages sur appareil : premier du classement MTEB parmi les modèles multilingues de moins de 500 M. ### Ce qui change - Meilleur modèle d'embeddings ouvert multilingue de moins de 500 millions de paramètres au classement MTEB, selon Google. - Entraîné sur plus de 100 langues, basé sur l'architecture Gemma 3. - Sorties personnalisables de 768 à 128 dimensions grâce au Matryoshka Representation Learning. - Moins de 15 ms pour produire un embedding (256 tokens) sur EdgeTPU. - Quantification QAT : moins de 200 Mo de mémoire ; même tokenizer que Gemma 3n. ### Caractéristiques - Paramètres : 308 M (environ 100 M pour le modèle et 200 M pour les embeddings). - Contexte : 2 000 tokens (2K). - Cas d'usage : RAG et recherche sémantique hors ligne, avec Gemma 3n. - Disponibilité : poids ouverts sur les plateformes habituelles. ### Tarifs Modèle ouvert, sans tarif d'usage propre. ### Benchmarks Classement MTEB : meilleur modèle ouvert multilingue de moins de 500 M (rang publié par l'éditeur, score non repris dans le texte). ### À retenir Pour bâtir des recherches sémantiques privées sur poste ou mobile, sans envoyer les documents dans le cloud.

Tags : Open Source, LLM, Google, Gemma, Embeddings