论文页面 - EmbeddingGemma 2：统一且高效的多模态表示

来源：https://huggingface.co/papers/2610.37364 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

EmbeddingGemma 2 是一个开放的多模态嵌入模型，以高效的资源灵活设计和最先进的基准性能统一了文本、图像、音频和视频表示。

我们提出了 EmbeddingGemma 2，这是一个开放的多模态嵌入模型（https://huggingface.co/papers?q=multimodal%20embedding%20model），能够在统一空间中对文本、图像、音频、视频及其组合进行原生表示。我们的方法引入了多项改进，包括简化的逐层嵌入（https://huggingface.co/papers?q=per-layer%20embeddings）以及带有模态和目标渐进的多阶段课程学习（https://huggingface.co/papers?q=multi-stage%20curriculum），确保在单模态、跨模态（https://huggingface.co/papers?q=cross-modal）和混合模态（https://huggingface.co/papers?q=mixed-modal）评估中均具有优异的质量。值得一提的是，在涵盖所有模态的综合嵌入基准测试中，EmbeddingGemma 2 确立了新的帕累托最优前沿（https://huggingface.co/papers?q=Pareto%20frontier），超越了专用模型以及规模大二至十二倍的模型。此外，我们的设计为资源受限的环境提供了灵活性，支持选择性模态编码器加载（https://huggingface.co/papers?q=selective%20modality%20encoder%20loading）、可调节的视觉token预算（https://huggingface.co/papers?q=vision%20token%20budgets）、可截断的嵌入维度（https://huggingface.co/papers?q=truncatable%20embedding%20dimensions）以及量化权重（https://huggingface.co/papers?q=quantized%20weights）。我们提供了分析关键设计决策的消融实验，并发布 EmbeddingGemma 2 以促进进一步研究。

查看 arXiv 页面（https://arxiv.org/abs/2610.37364）查看 PDF（https://arxiv.org/pdf/2610.37364）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2610.37364）

在你的 agent 中获取此论文：

hf papers read 2610\.37364

没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型1

google/embeddinggemma-2 特征提取 • 0.7B • 更新于约10小时前 • 283k • 2.99k（https://huggingface.co/google/embeddinggemma-2）

引用本文的数据集0

暂无关联此论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2610.37364 即可在此页面关联该数据集。

引用本文的 Spaces46

浏览 46 个引用此论文的 Spaces（https://huggingface.co/spaces?arxivIds=2610.37364）

包含此论文的合集1