INTELIGÊNCIA ARTIFICIAL. PENSAMENTO CRÍTICO.Acompanhe por RSS
NotíciasNOTÍCIA COM CONTEXTO

EmbeddingGemma 2: o que conferir antes de criar buscas multimodais em português

Modelo reúne texto, imagem, vídeo e áudio para busca local. Veja limites de memória, configuração, licença e evidências ainda pendentes para português brasileiro.

EM POUCAS LINHAS

  • O Google anunciou um modelo que representa texto, imagens, vídeo e áudio em um espaço compartilhado.
  • Os valores de RAM divulgados dependem de quantização e de um aparelho específico.
  • O cartão recomenda prefixos para texto, cuidado ao reduzir vetores e evitar float16.
  • Resultados multilíngues agregados não demonstram qualidade de busca em português brasileiro.

O EmbeddingGemma 2 foi anunciado para transformar conteúdos de diferentes modalidades em vetores comparáveis e, assim, recuperar itens relacionados por significado. Para quem pretende criar uma busca em português brasileiro, a pergunta não é apenas se o modelo aceita texto e mídia: é se encontra os resultados certos no acervo real, com recursos e condições de uso compatíveis com a aplicação. Os documentos do desenvolvedor descrevem possibilidades e avaliações, mas não substituem essa verificação.

O que foi anunciado — e o que está disponível

Em 6 de outubro de 2026, o Google anunciou o EmbeddingGemma 2 como evolução de seu modelo de embeddings de texto para uma representação compartilhada de texto, código, imagens, vídeo e áudio. Isso permite, em princípio, comparar uma consulta escrita com material de outra modalidade. Um embedding representa conteúdo para tarefas como busca e agrupamento; não é, por si só, uma resposta redigida nem uma garantia de que o primeiro resultado recuperado será correto.

No anúncio, o Google afirma que os pesos podem ser obtidos no Hugging Face e no Kaggle, enquanto a disponibilidade no Model Garden da Gemini Enterprise Agent Platform é apresentada como futura. Anúncio, obtenção dos pesos e integração a uma plataforma específica não são o mesmo marco. Tampouco os documentos fornecidos confirmam disponibilização específica para o Brasil. A data do anúncio não deve ser confundida com a dos estudos: no trecho recebido do cartão técnico, não aparece a data de realização das avaliações. Como esse texto está truncado ao final, a data efetiva dos estudos permanece pendente; não se pode afirmar que ela esteja ausente do documento completo.

Modalidades e formato: o que entra na busca

Segundo o cartão do modelo, a saída nativa tem 768 dimensões, e a versão completa soma 740 milhões de parâmetros: 270 milhões na parte de texto, 170 milhões no codificador de visão e 300 milhões no de áudio. O cartão descreve esses codificadores como componentes que podem ser carregados seletivamente. Código entra como texto; vídeo é tratado por quadros amostrados pelo componente visual, não por um codificador de vídeo independente listado no cartão.

A janela declarada é de 8.192 tokens compartilhados pelas modalidades. O cartão indica, como padrões, 280 tokens por imagem, 140 por quadro de vídeo e 25 por segundo de áudio; também informa amostragem padrão de vídeo de um quadro por segundo e áudio mono a 16 kHz. Os máximos apresentados para entradas de modalidade única não devem ser somados: texto e mídias intercalados consomem o mesmo orçamento. Para buscar momentos específicos de uma gravação, a escolha dos trechos ou quadros a indexar continua sendo parte do projeto da aplicação.

Como configurar consultas, documentos e vetores

Para recuperação de texto, o cartão técnico orienta distinguir o prefixo de consulta do formato de documento, incluindo título real quando existir e indicação de ausência de título quando não existir. Esses prefixos de tarefa se aplicam a entradas textuais, não a imagens, vídeo ou áudio. Omiti-los ainda produz vetores, mas, segundo o desenvolvedor, reduz a precisão. É importante manter a configuração de indexação e consulta coerente antes de atribuir uma falha de busca ao idioma.

O modelo também aceita truncar vetores de 768 para 512, 256 ou 128 dimensões, conforme o cartão. Vetores menores poupam armazenamento e podem acelerar a busca por similaridade, mas consultas e itens indexados precisam ter a mesma dimensão; depois do corte, o cartão pede nova normalização para similaridade de cosseno. O desenvolvedor considera pequena a perda de qualidade até 256 dimensões e alerta que 128 dimensões prejudicam substancialmente tarefas multimodais. A economia de espaço precisa ser confrontada com a recuperação no acervo pretendido.

Memória, precisão e execução local

O anúncio relata um mínimo aproximado de 191 MB de RAM ativa para pesos somente de texto e de 567 MB para o modelo multimodal completo com quantização em um Google Pixel 11 Pro. São números divulgados pelo fornecedor para essa configuração, não requisitos universais nem uma medição de todo o consumo de um aplicativo com índice vetorial, arquivos de mídia e demais componentes. A escolha entre carregar só texto ou acrescentar visão e áudio também altera o tamanho do modelo, segundo o cartão.

Há uma orientação numérica distinta da quantização citada no anúncio: o cartão técnico recomenda inferência em bfloat16 ou float32 e desaconselha float16. Segundo o documento, float16 pode gerar valores NaN ou vetores degradados sem um erro evidente. O cartão recomenda bfloat16 quando houver suporte nativo e float32 em outros casos, inclusive na maioria das CPUs. Para entender por que números de memória ligados à quantização exigem contexto, veja o guia de inferência local; ele não é um teste deste modelo.

O que falta comprovar em português brasileiro

O cartão declara suporte a mais de 100 idiomas, mas adverte que o desempenho pode variar entre línguas. Ele apresenta, para o checkpoint de precisão completa, média de 61,36 no MTEB multilíngue de texto, contra 61,15 para o EmbeddingGemma anterior. Trata-se de resultado agregado publicado pelo desenvolvedor, não de validação independente, medição identificada de consultas brasileiras ou prova de recuperação entre fala em português e vídeo ou imagens de um acervo local.

Um exemplo hipotético de avaliação seria reunir consultas formuladas por usuários brasileiros e um conjunto de documentos, fotos e gravações com itens relevantes identificados antecipadamente. Valeria separar consultas textuais de consultas por voz, verificar termos regionais e comparar se os itens relevantes aparecem entre os primeiros resultados em cada combinação de modalidades. Repetir a comparação com os prefixos corretos, as dimensões pretendidas e a configuração efetiva de execução ajudaria a distinguir problemas de idioma, indexação e infraestrutura. Isso é uma proposta, não um teste realizado ou uma conclusão de desempenho.

Licença e limites de adoção

O anúncio e o cartão identificam a licença como Apache 2.0. O cartão também afirma que implantações devem observar a Gemma Prohibited Use Policy e atribui aos responsáveis pela aplicação a avaliação de proteções, como filtros de recuperação e testes de equidade. O trecho recebido do cartão está truncado; os termos completos e os arquivos de licença dos pesos não foram fornecidos. Portanto, a relação entre licença e política de usos, assim como sua aplicação ao caso pretendido, precisa ser conferida antes da adoção.

A decisão prática combina acesso aos pesos e aos termos aplicáveis, suporte do hardware à precisão recomendada, custo de indexar o acervo e qualidade medida nas consultas de interesse. Gerar embeddings localmente não demonstra, sozinho, privacidade ou busca útil em português brasileiro: armazenamento dos dados, filtros e qualidade dos resultados dependem também de como o sistema é implementado.

Fontes e referências

  1. EmbeddingGemma 2 is a best-in-class open model for natively multimodal embeddingsblog.google · Consultado em 06/10/2026
  2. EmbeddingGemma 2 model card | Google AI for Developersai.google.dev · Consultado em 06/10/2026
Transparência editorial. Este texto foi pesquisado, redigido e revisado com agentes de IA. A revisão automatizada confere fontes, consistência e clareza; não equivale a uma auditoria humana independente. Resultados de terceiros são identificados. Conheça a política editorial.
Compartilhar no WhatsAppSugerir correção