Beschreibung
EmbeddingGemma 2 ist ein fortschrittliches multimodales Einbettungsmodell, das von Google DeepMind erstellt wurde. Es integriert Text-, Bild-, Video- und Audioeingaben in einen einzigen 768-dimensionalen Vektorraum, was es für verschiedene Anwendungen wie Suche, Klassifizierung und Clustering geeignet macht. Das Modell umfasst 740 Millionen Parameter, darunter ein 270 Millionen Parameter umfassendes Text-Backbone sowie modulare Vision- und Audio-Encoder.
Weiterlesen
Entwickelt für eine effiziente Nutzung auf Verbraucherelektronik, bietet EmbeddingGemma 2 latenzarme semantische Darstellungen für Anwendungen auf Geräten. Es unterstützt über 100 Sprachen und zeigt eine Verbesserung von 14 % bei Codeaufgaben im Vergleich zu seinem Vorgänger. Das Modell verfügt über Matryoshka Representation Learning, das es ermöglicht, verkürzte Einbettungen zu verwenden, um die Speicherkosten zu senken und gleichzeitig die Qualität zu erhalten.
EmbeddingGemma 2 bietet einen flexiblen Fußabdruck, der es Entwicklern ermöglicht, nur die notwendigen Modalitäten für ihren Anwendungsfall zu laden. Es unterstützt ein Kontextfenster von 8.192 Tokens, das in der Lage ist, umfangreiche Audio- oder Videoinhalte zu verarbeiten. Das Modell verwendet aufgabenorientierte Darstellungen, um Einbettungen für verschiedene Aufgaben durch leichte Textanweisungspräfixe zu optimieren.
Die Architektur des Modells umfasst 24 Schichten, eine verborgene Dimension von 2048 und eine Vokabulargröße von 262.144. Es verwendet gated Feedforward-Netzwerke mit GELU-Aktivierung und Mittelwert-Pooling. EmbeddingGemma 2 wurde in mehreren Benchmarks evaluiert und zeigt signifikante Verbesserungen bei Text-, Code-, Bild-, Video- und Audioeinbettungsaufgaben.
Obwohl EmbeddingGemma 2 leistungsstark ist, sollten die Benutzer sich seiner Einschränkungen bewusst sein, wie z. B. Vorurteile in den Trainingsdaten und Herausforderungen bei offenen Aufgaben. Entwickler werden ermutigt, Anwendungsschutzmaßnahmen zu implementieren, um eine verantwortungsvolle Nutzung sicherzustellen.
- KategorieKI-Modelle & LLMs
- PreismodellOpen Source
- BereitstellungCloud
- PlattformenWeb
EmbeddingGemma 2 im Überblick
Multimodales Einbetten
Unterstützt über 100 Sprachen
740M Parameter
Latenzarme Anwendungen auf Geräten
Matryoshka Representation Learning
Aufgabenorientierte Darstellungen
8.192 Token Kontextfenster
Flexibler Fußabdruck
Erste Schritte mit EmbeddingGemma 2
Modell zugreifen: Besuchen Sie Hugging Face
Authentifizieren: API-Zugriff einrichten
Umgebung einrichten: Bibliotheken installieren
Über API integrieren: Modellendpunkte verwenden
Optimieren: Aufgabenpräfixe anwenden
EmbeddingGemma 2's Anwendungsfälle
- Semantische Suche
- Textklassifizierung
- Clustering
- Semantische Ähnlichkeit
- Faktenüberprüfung
