🔎 Google выпустила EmbeddingGemma 2: мультимодальный поиск прямо на устройстве Модель переводит текст, код, изображения, видео и аудио в единое векторное пространство. Например, позволяет найти нужный снимок по текстовому описанию. Всего 740 млн параметров: • 270 млн для текста; • 170 млн для изображений; • 300 млн для аудио. Нужные модули можно подключать отдельно. В оптимизированном запуске на Pixel 11 Pro полная модель использует около 567 МБ активной RAM, текстовая часть около 191 МБ. Лицензия Apache 2.0 допускает коммерческое использование. Практическое применение: локальный поиск по документам и медиа без отправки данных в облако. https://deepmind.google/models/gemma/embeddinggemma/ @ai_machinelearning_big_data
Зерттеулер1 мин оқу
Материал бастапқы дереккөзден алынған:
Telegram — AI Machine Learning Big Data
Толық мәтінді Telegram — AI Machine Learning Big Data сайтында оқуМатериал ашық дереккөздерден жиналған. Оның орналастырылуы сіздің құқықтарыңызға тиіп жатса → Ақпаратты жою
Тақырып орыс тіліндеGoogle выпустила EmbeddingGemma 2: мультимодальный поиск прямо на устройстве
🔎 Google выпустила EmbeddingGemma 2: мультимодальный поиск прямо на устройстве Модель переводит текст, код, изображения, видео и аудио в единое векторное пространство. Например, позволяет найти нужный снимок по текстовому описанию. Всего 740 млн параметров: • 270 млн для…
Telegram — AI Machine Learning Big DataАвтор: Machinelearning2026 ж. 6 қазан (6 қаз.)
1 тілде қолжетімдіAI қорытындысы: Басты тезистер
- 🔎 Google выпустила EmbeddingGemma 2: мультимодальный поиск прямо на устройстве Модель переводит текст, код, изображения, видео и аудио в единое векторное пространство
- Например, позволяет найти нужный снимок по текстовому описанию
- Всего 740 млн параметров: • 270 млн для…
Зерттеулер
KZ·AI 4C25Инсайт дня
Google выпустила EmbeddingGemma 2: мультимодальный поиск прямо на устройстве
Толық мәтін орыс тілінде
Тегтер:#Google DeepMind
Оқиға хронологиясы
- Инфрақұрылым
RUGoogle выпустила EmbeddingGemma 2.
Ұқсас материалдар
ENA Controlled LLM Workflow for Evidence-Grounded Diagnosis of Risk Score Differences
arXiv:2610.23962v1 Announce Type: new Abstract: We propose a controlled Large Language Model (LLM) workflow for explaining risk score differences using similar historical transactions. The workflow combines reference retrieval and contrastive SHapley Additive exPlanations (SHAP)…
arXiv — cs.AI
Ашық ниеттен тыс: адам мен AI бірлесіп жасау арқылы көркемдік ниетті ашу және қалыптастыру
arXiv:2610.24010v1 Хабарландыру Түрі: жаңа Аннотация: Генеративті AI көркем шығармашылықтың маңызды құралына айналуда, дегенмен бар өзара әрекеттесулер көбінесе жасаушылар ниеттерін алдын ала белгілеп, оларды мәтіндік кеңестер арқылы дәл хабарлай алады деп болжайды. Көркемдік ниет,…
arXiv — cs.AI
GardenBench: LLM қабілеттерінің жеңіл, күнделікті бағалауы
arXiv:2610.23866v1 Хабарлама түрі: жаңа Анотация: Біз GardenBench-ді ұсынамыз, бұл 11 тест жинағынан тұратын бенчмарк, ол үлкен тілдік моделілердің (LLM) қабілеттерін әртүрлі тапсырмалар бойынша бағалайды. LLM-дерді жүйелі түрде әртүрлі жеңіл сұраулармен подсказ бера отырып, біз құжаттаймыз…
arXiv — cs.AI
ENLogicVal:A Logic-Formalized Benchmark for Constraint Satisfaction in Text-to-Image Generation
arXiv:2610.24051v1 Announce Type: new Abstract: Text-to-Image (T2I) generative models have made significant progress in producing high-fidelity images from natural-language prompts. Alongside this progress, numerous benchmarks have been developed to evaluate capabilities such as…
arXiv — cs.AI