AREX Feed Article
Google Gemma 官方账号展示 Xenova 的 EmbeddingGemma 2 浏览器演示：740M 参数经 WebGPU 与 Transformers.js「100% 本地」运行
北京时间 10 月 30 日凌晨（UTC 时间 10 月 29 日 16:54），Google Gemma 官方 X 账号 发帖推介多模态嵌入模型 EmbeddingGemma 2 的浏览器演示。帖文写道，EmbeddingGemma 2「能将文本、图像、视频、音频与代码映射为嵌入，100% 在你的设备上本地运行」，并称「仅需 740M 参数，你就能构建完全在浏览器内、经 WebGPU 与 Transformers.js 运行的强大多模态应用」，场景「从多模态搜索到跨模态分类与聚类」。
该账号并在主帖下方跟帖致谢：「」，链接指向 10 月 6 日发布的演示帖。演示页面托管在 Hugging Face Space 。帖文中的能力描述与「100% 本地」均为 Google 官方账号口径；本稿另行核对了 Google 10 月 6 日的与、Hugging Face ，以及演示 Space 的 。
一条主帖和一条致谢跟帖
主帖全文只有三句话，以「本地嵌入带来无限可能」收尾；致谢跟帖与主帖在同一秒发出。跟帖链接指向的 @xenovacom，是 10 月 6 日模型发布当天即放出浏览器演示的账号，其 X 简介写着「把机器学习的力量带到 Web，目前在 Hugging Face 做 Transformers.js」。也就是说，演示上线已有 23 天，这次是由 Google 官方账号正式推介。
截至本稿抓取（发布一个多小时后），主帖浏览约 8,400 次、点赞 210 余个。回复中，@xabzxbt 写道：「真正打动我的是完全在浏览器里这一点」（）；@TechWithSarah 则从隐私角度评价：「740M 参数的多模态嵌入完全跑在浏览器里？这可能让搜索和分类应用更容易构建，而且不用把用户数据发到服务器。喜欢这种本地优先的思路。」（）
740M 参数从何而来：270M 文本主干加两组可选编码器
按 Hugging Face 的拆解，740M 由三块组成：270M 文本模型（130M 的 transformer 主干网络加 140M 的 embedder 嵌入层）、170M 视觉编码器、300M 音频编码器。三块可以按需加载：只跑文本 270M，加图像或视频 440M，加音频 570M，全模态 740M。确认模型基于 Gemma 4 架构、以 Apache 2.0 许可开源。
所有模态的输出落在同一个 768 维向量空间，因此文本查询可以直接与图像、音频的嵌入比较相似度；单次输入还能在文本里用 <|image|>、<|video|>、<|audio|> 占位符混排媒体。所有模态共享 8,192 token（模型切分文本的基本计数单位）的上下文窗口，按模型卡的换算，单模态、不带文本的输入一次最多约 29 张图、58 帧视频或 5.5 分钟音频。存储端支持 Matryoshka 表示学习（MRL），向量可从 768 维截断到 512、256 或 128 维；给出了一笔账：bfloat16（一种 16 位浮点精度格式）下存 100 万条 768 维向量约需 1.5 GB，截到 128 维只要约 250 MB。
这套参数账对应着官方帖文里「仅 740M」的说法：发布博客称，经量化后，模型在 Pixel 11 Pro 上纯文本权重约 191 MB、全模态约 567 MB。
浏览器里的运行链路：WebGPU、Transformers.js 与 ONNX 转换
WebGPU 是让网页直接调用本机 GPU 做通用计算的浏览器接口，Transformers.js 是 Hugging Face 的浏览器端 JavaScript 推理库。演示 Space 的 显示，该 Space 配置为纯静态站点（sdk: static），没有后端服务；其关联的模型仓库是官方的 google/embeddinggemma-2 和社区维护的 ONNX 转换版 onnx-community/embeddinggemma-2-ONNX（ONNX 是一种跨框架的开放模型格式）。Google 在发布博客的「上手」一节也把「用 transformers.js 或 WebGPU 构建浏览器端应用」列为路径之一，链接正是这个 Space。
Xenova 在 10 月 6 日的帖子里写道：「EmbeddingGemma 2 刚刚在 Hugging Face 上发布。它把文本、图像、视频和音频投射进同一个统一的嵌入空间。仅 740M 参数，它甚至可以 100% 在你的浏览器里、经 WebGPU 配合 Transformers.js 运行。」Xenova 在跟帖中补充，这个模型「非常适合构建多模态搜索、检索、分类和聚类应用」，并致谢 @shadersweden——演示里液态玻璃轮播界面的灵感来自对方（）。
从 308M 文本嵌入到 740M 多模态
上一代 EmbeddingGemma 于 2025 年 9 月发布，仅 308M 参数、面向文本嵌入；Xenova 当时也做过一个浏览器演示「Semantic Galaxy」，把文档铺成可检索的 3D 星系（）。称，这一年里初代模型下载量超过 2,000 万次。EmbeddingGemma 2 于 2026 年 10 月 6 日发布，把覆盖范围从文本扩展到图像、视频、音频，并大幅加强了代码检索：官方口径是在大规模文本嵌入基准 MTEB 的代码分项上从 68.76 分提高到 78.68 分，约 14% 的提升。截至本稿抓取，新模型在 Hugging Face 上已有 3,006 个赞、近 30 天 308,608 次下载。
权重已在 Hugging Face 与 Kaggle 放出；Google 列举的配套生态涵盖 sentence-transformers、vLLM、Ollama、llama.cpp 的 GGUF 转换版、MLX 与 LiteRT 等。
哪些可以核对，哪些仍是官方口径
「100% 本地」与基准分数目前都出自 Google 一方：各项成绩来自 Google 自己的模型卡与博客，本稿未做独立复测。模型卡同时列出了限制：模型宣称支持 100 多种语言，但各语言表现并不均衡；向量截断到 128 维时，多模态检索质量下降明显，官方建议 128 维仅用于纯文本场景，并在自己的数据上验证后再采用。
还有一个口径细节：官方帖文把「代码」与四种模态并列，而模型卡写的是「文本（含代码）」，开发者指南也把代码归入 270M 的文本主干——代码映射由文本编码器完成，并非第五个独立编码器。
可以直接核对的是演示本身：Space 公开可访问，README 写明了所用的模型仓库。浏览器端是否如描述运行，打开页面即可检验。