多模态预算（来自模型卡）

各模态共用 8,192 token 窗口。模型卡默认：每张图约 280 token，每视频帧约 140，音频约每秒 25 token（单声道 16 kHz）。视频默认约 1 FPS 过视觉编码器。交错示例：文本里放 `<|image|>` / `<|video|>` / `<|audio|>`，由并行列表填充。用 `config_kwargs` 关掉不用的编码器以省内存（纯文本 vs 完整 740M）。

相对偏文本的 EmbeddingGemma 1，第 2 版增加原生多模态评测（模型卡上的 MIEB、MMEB、MSEB/MAEB）。「当前最好的嵌入模型」取决于你的模态组合、延迟，以及要开源端侧权重还是托管 API——请在自有语料上重测。

限制

截到 128 维时多模态质量下降比纯文本更明显。混合模态会挤占各自可用长度。本站不跑演示；可试 AI Edge 博客链接的 Gallery / Foresight。

回到总览

EmbeddingGemma 2 首页笔记。