EmbeddingGemma 2：740M 多模態檢索、Apache-2.0 與手機記憶體的限定條件
官方固定模型卡確認740M、768維四模態與Apache2.0；MTEB Code是NDCG@10，191/567MB是Pixel量化條件，不是程式生成或會議紀錄品質保證。
來源日期、作者續文與留言
@mexx1999.ai 原貼2026-10-09；本次收錄與查核 2026-10-10，不是把『剛推出』改成今日發布。作者續文明確說它是檢索層，補上8192 context與模組化載入。可見作者續文兩則與部分留言；@meta.ai的查核／應用回答是AI生成，不是獨立證據。尤其把所有PC前端、Ollama／LM Studio、離線會議記錄與『秒跳』視為可用，仍需核實具體匯出、後端與工作流，不能因另一個AI說真就確认。
第一方固定模型卡
google/embeddinggemma-2 固定於 914f7f89142e33e77833254d9c9b90c3cef7303b。官方總參數740M，文字核心270M（130M backbone＋140M embedder），vision 170M、audio 300M；可按任務只載入必要encoder。原生輸出768維，可截至512／256／128維並再正規化；query與document必須使用相同維度。128維對多模態品質有明顯代價，不能把縮小索引當成無損。
MTEB Code 數字是檢索指標，不是Coding Agent正確率
固定模型卡列MTEB code v1、Mean(Task) NDCG@10，78.68對68.76：差 9.92分，不是把寫程式成功率直接提高近十個百分點。模型卡的多語言text平均是61.36對61.15，不能把code提高幅度擴張到所有文字任務。以上為Google公開基準，不是本篇獨立重跑；也不能代替中文、資料庫或客戶文件的測試。
191MB／567MB 的正確限定
Google launch blog寫的是量化下、Google Pixel 11 Pro上，text-only weights可低至約191MB active RAM、完整多模態模型約567MB。這是指定裝置與量化條件的第一方說法，不是任何手機／Python完整程序的總記憶體保證；index、activations、輸入資料、runtime與生成模型要另算。
8192 tokens：各模態共享，不是各有一份額度
官方卡列單一共享8192-token context；預設圖片280 tokens／張、影片140／frame、音訊25／秒。約29張圖或327秒音訊是單一模態且不加伴隨文字的上限估算；混合輸入會分攤同一額度。影片預設一秒取一幀、可配置；不能由支援影片推出每幀事件都保留或整段無限長。
採用時容易忽略的硬限制
- 根據任務使用query／document prefixes；text code retrieval與一般search不是同一輸入設定。
- 維度截短後需L2 normalization，query與document的維度與模型版本要一致。
- 固定卡明確警告不要用float16，可能出NaN或悄悄降質；依硬體用bfloat16或float32。本次沒有安裝或推論。
- App離線索引不等於整條流程永不連網：模型下載、同步、ASR、摘要LLM、telemetry與帳號功能要各別核對。
- 會議紀錄仍需ASR／說話者、摘要／決議與可核引用；EmbeddingGemma能幫檢索片段，不自行輸出逐字稿或待辦。
授權與實測範圍
Apache-2.0已由官方固定模型卡確認，但不替使用者取得照片、錄音、客戶文件或其他元件權利。模型卡亦列應用層安全與用途責任。沒有下載權重、讀私人錄音、生成embeddings、量測手機記憶體或跑MTEB；來源與限定官方說法已核，production條件仍需另驗收。