EM POUCAS LINHAS
- Defina o que será recuperado antes de escolher os codificadores.
- Use instruções diferentes para consultas e documentos; mídias isoladas dispensam prefixo.
- Mantenha consultas e índice na mesma dimensão e valide a recuperação com dados do domínio.
- O suporte multilíngue declarado não demonstra qualidade específica em português brasileiro.
O EmbeddingGemma 2 transforma texto, imagens, vídeo e áudio em vetores comparáveis no mesmo espaço, segundo o cartão oficial do modelo. Isso permite formular uma busca em que uma pergunta escrita recupera, por exemplo, um documento ou uma gravação. Permitir a comparação, porém, não significa recuperar corretamente cada resultado: a qualidade depende do acervo, da preparação das entradas e das consultas usadas na avaliação.
Este é um roteiro de implementação e verificação, não um novo anúncio de lançamento nem um teste do modelo. O guia de desenvolvimento do Google foi publicado em 6 de outubro de 2026 e descreve o fluxo de uso; o cartão do modelo detalha configurações e limites, mas avisa que aquela página de documentação foi descontinuada. Antes de uma implantação, vale conferir se as instruções continuam correspondendo à documentação vigente.
Comece pela unidade que a busca deve devolver
Delimite primeiro o acervo e a resposta desejada: uma página inteira, um trecho de texto, uma imagem, uma gravação ou uma ficha que combine texto e mídia. Guarde junto a cada item uma referência à sua origem para que o resultado possa ser aberto e conferido. Separe também um conjunto de consultas representativas antes de ajustar a configuração; do contrário, é fácil otimizar a aparência dos exemplos sem saber se a busca atende ao uso pretendido.
Os vetores das diferentes modalidades são comparáveis no espaço compartilhado de 768 dimensões descrito pelo cartão e pelo guia. O guia mostra uma consulta textual comparada separadamente a uma foto e a uma gravação, além de uma entrada única que reúne descrição, foto e vídeo. Essa distinção muda o resultado esperado: indexar cada arquivo isoladamente ajuda a localizar o arquivo; representar uma ficha composta produz um vetor para a ficha como um todo. Não presuma que um vetor composto identificará sozinho qual parte da ficha justificou a correspondência.
Prepare consultas, documentos e mídias
Na recuperação textual, o cartão do modelo orienta usar instruções distintas para consulta e documento; no uso com Sentence Transformers, o guia apresenta os nomes SearchQuery e Document. Para documentos com título real, o cartão ressalva que o nome Document usa por padrão um título ausente: o título existente precisa entrar explicitamente na formatação do conteúdo. Assim, confira se títulos e trechos foram preservados de modo consistente na indexação, em vez de atribuir ao modelo uma diferença causada pela preparação dos dados.
Para imagem, vídeo ou áudio isolados, o guia orienta passar a mídia por modalidade, sem prefixo textual. Quando texto e arquivos formam uma entrada só, ele indica marcadores de posição para imagem, vídeo e áudio na sequência textual; a ordem dos arquivos deve corresponder à desses marcadores, conforme o cartão. O contexto de 8.192 tokens é compartilhado entre as modalidades, portanto uma entrada mista dispõe de menos espaço para cada componente do que os máximos apresentados para uma modalidade isolada no cartão. Se uma ficha é longa, dividi-la em unidades recuperáveis e manter a ligação com o original é uma decisão de desenho do índice a avaliar, não uma garantia de melhoria.
Escolha codificadores, dimensão e precisão
Não é necessário carregar todos os codificadores para todo acervo. O cartão lista tamanhos efetivos de 270 milhões de parâmetros para texto, 440 milhões para texto e visão, 570 milhões para texto e áudio e 740 milhões com todas as modalidades. O guia afirma que essas configurações partilham o espaço vetorial e que um índice textual existente não precisa ser recalculado apenas porque outro codificador foi habilitado. Esses tamanhos não são uma medição de memória ou velocidade na infraestrutura do leitor.
A saída nativa tem 768 dimensões; o cartão documenta cortes para 512, 256 e 128 dimensões. Ao truncar, normalize novamente os vetores e use a mesma dimensão para consultas e documentos, como exigem cartão e guia. Menos dimensões economizam espaço, mas o cartão relata perda mais acentuada em tarefas multimodais com 128 dimensões; trate essa opção como hipótese a comparar, não como escolha automática. Para inferência, o cartão recomenda bfloat16 em equipamento compatível ou float32 nos demais casos e adverte que float16 pode gerar vetores inválidos ou degradados sem erro explícito.
Avalie com perguntas e conteúdo em português brasileiro
Um exemplo hipotético: uma equipe quer recuperar manuais escritos no Brasil, fotos de componentes e gravações de atendimento a partir de perguntas em português brasileiro. Ela pode separar consultas por tipo de resultado esperado, registrar quais itens respondem a cada pergunta e comparar versões do índice mantendo constantes as perguntas e os critérios de relevância. Para cada configuração, observe se o item relevante aparece entre os primeiros resultados, quais modalidades são ignoradas e se a recuperação falha em nomes locais, linguagem informal ou perguntas ambíguas. Revise manualmente uma amostra dos erros; uma posição alta no ranking não confirma, por si, que o conteúdo responde à pergunta.
O cartão declara suporte a mais de 100 idiomas e alerta que o desempenho pode variar entre eles. Sua pontuação agregada no benchmark multilíngue não demonstra qualidade de recuperação especificamente em português brasileiro. Por isso, compare também as configurações de dimensão e de composição das entradas no próprio conjunto de consultas, sem apresentar esse plano como resultado medido. Para aprofundar o desenho de pares de consulta e documento, há um guia do acervo sobre avaliação de busca em português; a cobertura anterior do EmbeddingGemma 2 trata do anúncio e de seus requisitos, enquanto este roteiro se concentra na indexação e na verificação da recuperação.
Fontes e referências
- EmbeddingGemma 2 model card | Google AI for Developersai.google.dev · Consultado em 31/10/2026
- EmbeddingGemma 2: The Developer Guide - Google Developers Blogdevelopers.googleblog.com · Consultado em 31/10/2026