@xueyu1125：卧槽，有人在 GitHub 上基于 Google EmbeddingGemma2 小模型做了个 Mac 搜索应用，准确度高多了，比……
摘要
一位网友在 GitHub 上发现了一款基于 Google EmbeddingGemma2 小模型的 Mac 搜索应用，称其准确度远超系统自带 Spotlight，支持文件名、文件内容、图片和音频搜索。
相似文章
开源 Mac 应用：本地运行 EmbeddingGemma 2，按内容搜索你的文件
DigUp 是一款免费开源的 Mac 应用，本地运行 Google DeepMind 的 EmbeddingGemma 2 模型，通过文本、图像、音频和视频的统一嵌入空间实现对本地文件的语义搜索。
@xueyu1125：我注意到，大家都低估了 EmbeddingGemma 2，也普遍低估了嵌入模型。这个 op…
作者认为，EmbeddingGemma 2 以及嵌入模型整体都被低估了，并重点介绍了开源项目 DigUp——这是一款基于 Google 的 EmbeddingGemma 2 构建的 Mac 搜索应用，在内容、图像和音频搜索方面优于 Spotlight——同时指出，嵌入技术也可以改善 RAG 知识库搜索。
LSearch - 支持嵌入的 Windows 版 Spotlight
LSearch 是一个 Windows 上的 Spotlight 风格搜索工具，使用 EmbeddingGemma 2 (270M) 嵌入模型，并组合了两个微调的 Qwen 3.5 4B 模型（分别针对编码和智能体任务）构成混合专家模型（MoE），用于代码修复。
@FeitengLi：整理了一份 #EmbeddingGemma2 开源资源清单：• DigUp：搜索文档、图片、音频和视频……
Feiteng Li 分享了一份针对 EmbeddingGemma2 的开源资源清单，涵盖 DigUp、Recall 等本地多模态搜索应用、决策模型微调方案，以及 llama.cpp、MLX、LiteRT、Transformers.js 等多端部署路径。相关仓库已开源并欢迎社区贡献。
@aigclink：有人将谷歌的 EmbeddingGemma 2 改造为语音识别模型，实现了惊人的端侧推理速度
有人将谷歌的 EmbeddingGemma 2 改造为语音识别模型，通过在冻结参数的嵌入模型上训练轻量级 Reader，把语音转写从生成问题变成检索问题，在 M3 MacBook Air 上实现 288× 实时速度（1 小时音频约 13 秒转写），WER 约 5%，可能重塑端侧 STT 市场。