IA de cuatro modalidades en el bolsillo: análisis de EmbeddingGemma 2

Imagine poder hacer una sola pregunta y encontrar el archivo exacto entre miles de fotos, notas de voz y documentos. Sin subir nada a servicios en la nube, sin suscripciones de pago, con un motor de búsqueda semántica que sigue funcionando con el teléfono en modo avión. Esa es la promesa de EmbeddingGemma 2 , el modelo de embeddings de cuatro modalidades que Google DeepMind presentó el 6 de octubre de 2026. Textos, archivos de programación, imágenes, clips de vídeo y grabaciones de audio aterrizan en un espacio numérico común de 768 cifras, donde las palabras y las fotos por fin hablan el mismo idioma. La ficha oficial del modelo describe ese espacio unificado como la base de todo el diseño.

Lo más atractivo es la economía de escala. El modelo completo pesa 740 millones de parámetros, pero las tareas de solo texto bajan a un núcleo de 270 millones; el módulo visual suma 170 millones y el de audio 300 millones, ambos estrictamente opcionales. El blog de Google indica que los pesos textuales en 4 bits ocupan unos 191 MB de memoria activa en un Pixel 11 Pro, frente a 567 MB de la versión completa de cuatro modalidades. Con más de 20 millones de descargas de la generación anterior, este argumento de ligereza va más allá del márquetin. La licencia Apache 2.0 completa el cuadro: puedes integrar el modelo en aplicaciones comerciales y quedarte con los ingresos.

Descarga e instalación: dos puertas, una meta

La instalación pasa por dos puertas y el presentador muestra ambas. La primera lleva a la página oficial de pesos en Hugging Face; la segunda a un archivo único en formato GGUF preparado por el equipo de Unsloth. La cuantización en 4 bits deja la descarga cerca del medio gigabyte, mientras que las precisiones altas piden alrededor del doble del tamaño indicado. El presentador trae el archivo a una subcarpeta de modelos con un solo comando de HF, un alivio con conexiones lentas. El reparto de parámetros en la ficha del modelo explica la elección: las tareas de solo texto jamás descargan los módulos visual y de audio.

Con los pesos en casa, Ollama toma el escenario. El presentador escribe un modelfile pequeño que apunta al archivo GGUF descargado, con una plantilla de conversación estándar que indica al modelo dónde empieza y dónde termina la consulta. Un solo comando registra el modelo en el directorio de Ollama y la parte de Python queda lista. La biblioteca de Ollama también ofrece etiquetas listas: desde la etiqueta 270m de 378 MB hasta la etiqueta completa 740m de 1,3 GB. Curiosos y equipos de producción entran por la misma puerta.

El diseño interno funciona como una cocina modular: solo se encienden los fogones necesarios. Los textos y la sintaxis de programación corren en el núcleo de 270 millones de parámetros; las imágenes despiertan un módulo visual extra, mientras las grabaciones de voz van a un procesador de sonido dedicado. Hasta el movimiento de los clips breves de vídeo se lee bajo el mismo techo, y cada modalidad se convierte en un vector estándar de 768 cifras. Una ventana de contexto de 8K tokens deja pasar minutos de audio o vídeo de una vez; en lenguaje del vídeo, el modelo traga unas ocho mil palabras por turno.

Compresión MRL: encoger sin casi perder nada

La idea más elegante es la compresión por capas llamada Matryoshka Representation Learning . El modelo primero emite vectores de 768 cifras a ancho completo, que luego puedes truncar a 512, 256 o incluso 128 cifras. La guía del desarrollador informa que con 256 cifras la calidad textual y de programación se mantiene casi intacta, mientras imagen, vídeo y voz conservan alrededor del 95 por ciento del original. La guía de Unsloth añade dos sutilezas críticas: los vectores exigen normalización tras el truncado, y la precisión FP16 debe quedar fuera porque este modelo arriesga embeddings corruptos, mientras BF16 o FP32 siguen siendo puerto seguro. Invertir el orden corrompe los resultados en silencio.

Dos etiquetas pequeñas hacen un gran trabajo del lado de la consulta. Las preguntas de búsqueda llevan una etiqueta de consulta y los documentos archivados una etiqueta de documento, así el modelo siempre sabe si un texto pregunta o responde. La similitud se mide con similitud coseno : cuanto más cerca quedan dos vectores en el espacio matemático, más relacionados cuentan sus contenidos. El presentador etiqueta los archivos Python como modalidad de programación y los archivos de audio como voz hablada, reuniendo todo en un solo diccionario. Pruebas independientes de búsqueda semántica en el navegador confirman el mismo principio: cuando el modelo de embeddings corre en el cliente, la privacidad se sostiene y las facturas del servidor quedan acotadas.

El día de la demostración trae el boletín de notas. La consulta sobre la grabación de voz eleva el archivo hablado a lo más alto en todos los niveles de compresión; la pregunta sobre la función Python de la técnica MRL señala el archivo correcto; la consulta fotográfica en tonos naranja y cian atrapa la imagen de ejemplo cerca del 90 por ciento. El archivo a ancho completo ocupa 30 MB, mientras bajar a 256 cifras recupera hasta el 83 por ciento de ese espacio con la precisión apenas movida. El presentador nombra las 512 cifras el punto ideal: un tercio del almacenamiento conserva el 98 por ciento de la precisión. Estas cifras vienen de un pequeño archivo doméstico, pero la tendencia sigue los documentos oficiales.

Presupuesto de memoria y uso diario

Los presupuestos de memoria siguen la tarea. La versión textual en 4 bits se queda cerca de 200 MB y promete los análisis más rápidos de programación y documentos. Sumar los módulos visual y de sonido-vídeo abre el apetito; la versión completa sin cuantizar en 16 bits sube a 1,5 GB de memoria en los equipos pequeños, con la precisión máxima. El consejo del presentador sigue directo: nunca cargues más de lo que tu tarea exige. Encontrar recuerdos viejos con frases simples, repasar carpetas de fotos sin subir nada, saltar al minuto exacto dentro de grabaciones largas de charlas y perseguir errores de lógica en archivos de programación brillan entre los usos diarios. Un vocabulario compartido con Gemma 4 deja al modelo encontrarse con sus hermanos mayores en aplicaciones más grandes.

La regla de cierre cabe en tres líneas. Primero nombra la tarea: quédate en 270 millones de parámetros cuando baste el texto, crece por pasos cuando se sumen visión y audio. Luego empieza en 512 cifras; un tercio del almacenamiento con el 98 por ciento de precisión sirve a la mayoría de archivos familiares y equipos pequeños. Por fin no saltes etiquetas ni orden: las etiquetas de consulta y documento son la brújula, la normalización tras el truncado el cinturón. Esa combinación construye un archivo privado de modelo local , sin factura de nube y con archivos que jamás salen de tu sistema. Comprender más de 100 idiomas deja la puerta abierta a colecciones multilingües.