Google DeepMind Merilis EmbeddingGemma 2: Model Embedding Multimodal Ringan untuk Pencarian Vektor On-Device
Arsitektur embedding terbaru berbobot 300M parameter menawarkan kemampuan representasi semantik teks dan gambar dengan konsumsi memori minim, siap dijalankan di browser dan perangkat mobile.
Redaksi tveniu
Divisi Analisis & Riset
Google DeepMind mengumumkan ketersediaan EmbeddingGemma 2, model embedding terbuka berukuran ringkas yang dirancang untuk menjembatani jurang performa antara model representasi cloud raksasa dan keterbatasan perangkat lokal.
Kinerja Tinggi dalam Bobot 300 Juta Parameter
Dengan ukuran bobot kurang dari 600MB dalam kuantisasi INT8, EmbeddingGemma 2 dapat dieksekusi secara mulus menggunakan WebGPU di browser atau langsung di CPU perangkat edge. Model ini mendukung pemrosesan lintas modalitas teks dan gambar secara serentak.
- Bobot parameter ringkas 300M dengan akurasi pada benchmark MTEB melampaui model 1B generasi lama
- Dukungan dimensi vektor dinamis (Matryoshka Representation Learning) dari 256 hingga 1024 dimensi
- Eksekusi lokal penuh tanpa pengiriman data ke server pihak ketiga, menjamin kepatuhan privasi ketat
- Tersedia bobot terbuka di Hugging Face dan ekosistem Google AI Edge untuk integrasi instan
Revolusi Pencarian Lokal dan Privasi Data
Bagi pengembang aplikasi catatan, pengindeks dokumen privat, dan aplikasi enterprise internal, kemampuan menjalankan embedding berkualitas tinggi di sisi klien menghilangkan biaya server inference dan risiko kebocoran data.
βEmbedding lokal yang ringkas dan fleksibel adalah fondasi privasi sejati untuk generasi aplikasi berbasis Retrieval-Augmented Generation berikutnya.β
Rujukan & Sumber Primer
Artikel Terkait
Anthropic Merilis Claude Haiku 5.5: Pemangkasan Biaya Komputasi 75% untuk Skala Produksi Agen
Model paling ramping dari keluarga Claude kini menawarkan latensi sub-detik dengan efisiensi biaya inferensi hingga tiga perempat lebih hemat, dirancang khusus untuk eksekusi workflow agen otonom berkelanjutan.