Google dévoile EmbeddingGemma 2 : un modèle d'embedding multimodal ouvert

Google lance EmbeddingGemma 2, un modèle d'embedding multimodal de 740 millions de paramètres, conçu pour fonctionner directement sur l'appareil et traiter texte, code, images, vidéo et audio.
Google a publié EmbeddingGemma 2, le premier modèle d'embedding multimodal ouvert capable de traiter nativement du texte, du code, des images, des vidéos et de l'audio.
Ce modèle, doté de 740 millions de paramètres et d'une architecture modulaire, est spécifiquement conçu pour s'exécuter directement sur les appareils (on-device) plutôt que dans les centres de données.
En termes de performance, EmbeddingGemma 2 surpasses certains modèles spécialisés dont la taille est plus de deux fois supérieure à la sienne.
Associé à Gemma 4, il permet de construire une pile RAG (Retrieval-Augmented Generation) entièrement locale, avec une forte accentuation sur la confidentialité des données.
Pourquoi c'est important
AnalyseLes embeddings multimodaux exécutés localement réduisent la dépendance aux API cloud et rendent les systèmes RAG privés beaucoup plus accessibles.
Discuter dans la communauté
Partagez vos questions et vos idées avec les développeurs
Lié dans l'écosystème
Guides pratiques, terminologie clé et compétences d'agents
NotebookLM et Audio Overview (Podcast à partir de notes)
Outil de recherche gratuit de Google basé sur les modèles Gemini. Il répond strictement à partir des sources téléchargées (sans hallucinations) et est capable de transformer des rapports ennuyeux en podcasts audio vivants et conversationnels.
Google présente Gemini 4 Neon : le modèle dépasse Claude Opus 5.5 et GPT-6.2 Sol en code et en scénarios agentiques
Google a présenté Gemini 4 Neon, une nouvelle IA qui, selon les résultats annoncés, surpasse Claude Opus 5.5 et GPT-6.2 Sol dans la plupart des tests.
Jev et System One AI : guide pratique complet du modèle de décision TypeSafe
Analyse technique approfondie du modèle phare Jev : architecture System One vs LLM, primitives Choice/Score/Noul, parallélisme des requêtes, mathématiques de la confiance, études de cas vidéo, code et aperçu des alternatives open-weight locales (Laya, GLiNER2.5, CLM-8B).
Connexion des bases de connaissances (Google Drive, Notion, Confluence)
Technologie d'intégration des sources de données d'entreprise avec les modèles de langage via des connecteurs prêts à l'emploi (Connectors / ETL). Synchronise automatiquement les documents mis à jour depuis Google Drive, Notion, Confluence et Slack vers une base vectorielle, sans téléchargement manuel de fichiers.