EmbeddingGemma 2: Telefonda çalışan çok modlu arama

Google DeepMind, 6 Ekim’de EmbeddingGemma 2’yi yayımladı. EmbeddingGemma 2, metin, kod, görsel, ses ve videoyu aynı vektör uzayında temsil edebilen açık ağırlıklı bir gömme (embedding) modeli. 740 milyon parametreli model ticari kullanıma izin veren Apache 2.0 lisansıyla geliyor ve telefon gibi tüketici cihazlarında çalışacak şekilde tasarlandı.

Gömme Modeli Ne İşe Yarar?

Gömme modelleri cevap üretmez. Bir metni, resmi ya da ses kaydını sayılardan oluşan bir vektöre çevirir. Anlamca yakın içerikler birbirine yakın vektörlere düşer. Böylece “geçen haftaki toplantıda bütçeden söz edilen kısım” gibi bir arama, kelimesi kelimesine eşleşme olmadan da doğru sonucu bulabilir. Bu yapı, şirket belgeleri üzerinde soru cevap sistemleri kurmanın (RAG) temel taşıdır.

İlk EmbeddingGemma yalnızca metinle çalışıyordu. Google’a göre model 20 milyondan fazla kez indirildi ve özellikle gizliliği önceleyen, cihaz üzerinde çalışan arama araçlarında kullanıldı.

Ne Değişti?

Yeni sürüm Gemma 4 mimarisi üzerine kuruldu ve tek bir modelde birden fazla veri türünü işliyor. Öne çıkan özellikler şöyle:

Modüler yapı: Yalnızca metin için 270 milyon parametre yetiyor. Görsel (170 milyon) ve ses (300 milyon) kodlayıcıları isteğe bağlı ekleniyor.
Esnek vektör boyu: Matryoshka yöntemiyle 768 boyutlu çıktı 512, 256 ya da 128 boyuta kısaltılabiliyor. Bu, yerel vektör veritabanlarında depolamayı altı kata kadar azaltıyor.
Düşük bellek: Google’ın ölçümüne göre sıkıştırılmış model bir Pixel 11 Pro’da yalnızca metin için yaklaşık 191 MB, tam çok modlu hâliyle yaklaşık 567 MB etkin bellek kullanıyor.
Uzun bağlam: 8 bin token’lık bağlam penceresi ilk sürümün dört katı. Bu, yaklaşık 5,5 dakikalık ses, 29 görsel ya da 58 video karesine denk geliyor.

Google’ın paylaştığı sonuçlara göre model, ilk sürümün güçlü çok dilli metin başarısını koruyor. Kod tarafında ise MTEB Code testinde puanını 68,76’dan 78,68’e çıkarıyor. Şirkete göre 1 milyar parametrenin altındaki çok modlu gömme modelleri arasında boyutuna göre en iyi sonuçları veriyor ve bazı alanlarda iki kattan büyük uzman modelleri geride bırakıyor. Bu karşılaştırmalar şirketin kendi ölçümleri.

Kimi İlgilendiriyor?

Model en çok mobil ve masaüstü uygulama geliştiricilerini ilgilendiriyor. Örneğin bir sesli notla video arşivinde belirli bir anı bulmak ya da saatlerce süren ses kayıtlarında metinle arama yapmak artık tek bir modelle, internete çıkmadan mümkün. Verinin cihazdan çıkmaması gizlilik açısından da avantaj sağlıyor.

Kod tarafındaki gelişme, yerel kod tabanlarını dizinleyen ve kodlama ajanlarına bağlam sağlayan araçlar için de önemli. Gemma 4 ile aynı metin ayrıştırıcısını ve ses kodlayıcısını paylaştığı için iki model birlikte çalıştırıldığında toplam bellek ihtiyacı azalıyor.

Ağırlıklar Hugging Face ve Kaggle üzerinden indirilebiliyor. Google, modelin transformers, sentence-transformers, MLX, vLLM, llama.cpp, SGLang, Ollama ve LM Studio gibi yaygın araçlarla çalıştığını belirtiyor. Tarayıcı için transformers.js ve WebGPU desteği, ince ayar için Unsloth rehberi de var.

Türkiye’den Kullanıcılar İçin

Google duyuruda Türkçe başarısına özel bir rakam vermiyor, yalnızca çok dilli metin performansının korunduğunu söylüyor. Türkçe belgeler ve ses kayıtları üzerinde arama kurmayı düşünen ekiplerin, modeli kendi verileriyle küçük bir testten geçirmesi iyi olur. Apache 2.0 lisansı sayesinde model, ticari ürünlerde ek lisans ücreti olmadan kullanılabiliyor. KVKK kapsamında hassas veriyle çalışan kurumlar için verinin cihazda kalması da ayrıca önemli bir artı.