Buscar archivos sin subirlos a internet: así funciona EmbeddingGemma 2 de Google
Google DeepMind lanzó EmbeddingGemma 2, un modelo abierto que busca texto, código, fotos, audio y video directamente en el dispositivo, sin mandar los archivos a ningún servidor externo.
El modelo abierto de Google que junta texto, audio, fotos y video en una sola búsqueda local
EmbeddingGemma 2 une texto, audio, fotos y video en un solo modelo abierto que corre en tu propio equipo.
Google lanzó EmbeddingGemma 2, un modelo de inteligencia artificial que busca texto, código, fotos, audio y video directamente en tu celular o computadora, sin mandar un solo archivo a internet. Para una empresa mexicana que maneja contratos, grabaciones de ventas o catálogos de producto, esto cambia la pregunta de qué nube usar por la de qué archivos deben quedarse adentro.
Qué anunció Google y en qué punto está
El 6 de octubre de 2026, Google DeepMind lanzó EmbeddingGemma 2, un modelo abierto de 740 millones de parámetros bajo licencia Apache 2.0, construido sobre la arquitectura Gemma 4. No es un anuncio sin fecha de entrega: los pesos del modelo ya están disponibles para descargar en Hugging Face y en Kaggle, y corren hoy mismo con herramientas como Ollama, llama.cpp y sentence-transformers.
Lo que sí sigue en camino: Google dice que el soporte para Android a través de ML Kit, con aceleración por NPU, llega "en las próximas semanas", y que la disponibilidad en el catálogo empresarial Gemini Enterprise Agent Platform Model Garden llega "próximamente". Si alguien te ofrece hoy una integración lista para Android con este modelo, confírmalo: todavía no es oficial.
Cómo busca en texto, audio, fotos y video a la vez
La idea central de EmbeddingGemma 2 es simple de explicar y difícil de construir: convierte texto, código, imágenes, video y audio en el mismo tipo de número —un vector de 768 posiciones— para que una nota de voz, una grabación de una junta de ventas y un correo puedan compararse entre sí sin pasar por servicios separados de transcripción o reconocimiento de imágenes.
El modelo es modular: usa 270 millones de parámetros si solo necesitas buscar en texto y código, y suma un codificador de visión (170 millones) o de audio (300 millones) según lo que quieras indexar, hasta llegar a los 740 millones completos. También soporta una técnica llamada Matryoshka Representation Learning, que permite recortar ese vector de 768 posiciones a 512, 256 o incluso 128, reduciendo hasta 6 veces el espacio de almacenamiento de la base de datos vectorial.
La ventana de contexto subió a 8,192 tokens, cuatro veces más que la primera versión. Según Google, eso alcanza para procesar hasta 5.5 minutos de audio, 29 imágenes o 58 cuadros de video en una sola pasada.
Las cifras: qué tan bueno es comparado con la versión anterior
Google y el análisis independiente de MarkTechPost coinciden en los mismos números de referencia. La mejora más grande está en la búsqueda de código, útil para indexar repositorios internos:
| Característica | EmbeddingGemma 2 | EmbeddingGemma 1 |
|---|---|---|
| Parámetros | 740M (270M solo texto) | 308M |
| Modalidades | Texto, código, imagen, video, audio | Solo texto |
| Ventana de contexto | 8,192 tokens | 2,000 tokens |
| MTEB multilingüe v2 | 61.36 | 61.15 |
| MTEB Code | 78.68 | 68.76 |
| Licencia | Apache 2.0 | Términos Gemma (pesos abiertos) |
El salto en MTEB Code —de 68.76 a 78.68 puntos— equivale a casi 14% más precisión al buscar funciones o fragmentos dentro de una base de código, según el reporte de MarkTechPost. En retrieval con audio (MAEB) y con imágenes (MIEB), EmbeddingGemma 2 no tiene un número de la versión anterior para comparar, porque la primera versión de EmbeddingGemma no manejaba esas modalidades.
Tres casos para una empresa en México o Latinoamérica
La ganancia real para un negocio no es el modelo en sí, sino poder buscar dentro de archivos sensibles sin subirlos a un servidor externo. Tres ejemplos concretos, en línea con el enfoque de nuestro último video:
Una cláusula dentro de un audio
Un despacho legal o una aseguradora graba juntas y llamadas con clientes. En vez de transcribir todo a mano o mandar el audio a una API externa, se busca por significado —"penalización por cancelación anticipada"— y el modelo ubica el minuto exacto dentro de la grabación, en el propio equipo.
Una pieza dentro de un video de almacén
Una empresa de logística o manufactura graba sus bodegas por cámara. Con el mismo principio que usa la demo Video Moments Finder de Google, se puede buscar "caja abierta junto al montacargas" y el sistema marca el momento exacto del video, sin transcribir el audio ni generar descripciones manuales.
Un producto dentro de un catálogo visual
Una tienda con miles de fotos de producto puede buscar "tenis blancos con suela roja" usando una foto de referencia o una descripción en texto, y el motor regresa los productos visualmente parecidos, replicando lo que la demo Instant Media Search hace con fotos personales.
La pregunta que de verdad importa
No es qué tan bueno es el modelo. Es qué archivos de tu empresa —contratos, grabaciones de clientes, catálogos— nunca deberían salir de un disco que tú controlas.
Cómo empezar a probarlo
No hace falta esperar a ninguna integración futura para empezar a evaluar el modelo: los pesos ya están publicados y corren en equipo propio.
Define qué vas a indexar
Decide si necesitas buscar solo texto y código (270M) o si sumas fotos, video o audio al modelo completo (740M); eso cambia cuánta memoria vas a usar.
Genera los vectores en tu propio equipo
Con herramientas como Ollama, llama.cpp o sentence-transformers conviertes tus archivos en vectores y los guardas en una base de datos local, sin que salgan de tu red.
Busca con lenguaje natural
Escribes o dictas lo que buscas y el sistema compara ese vector contra los que ya guardaste, devolviendo los resultados más parecidos en milisegundos.
Cuánta memoria pide en un teléfono real
Son las cifras que reporta el propio Google para un Pixel 11 Pro con los pesos cuantizados; no es una garantía de consumo en cualquier celular, laptop o servidor, solo el punto de referencia que Google publicó.
Lo que todavía no está listo
Antes de prometerle esto a un cliente
El soporte nativo en Android vía ML Kit con aceleración NPU todavía no está disponible: Google lo anuncia "en las próximas semanas". La disponibilidad dentro de Gemini Enterprise Agent Platform Model Garden también está marcada como "próximamente", no como lanzada. Y los 191 MB / 567 MB de RAM son una medición de Google en un solo modelo de teléfono, no una cifra universal para todos los dispositivos.
Lo que sí puedes usar hoy son las apps de demostración: Google AI Edge Gallery (disponible en Android e iOS) con las funciones Instant Media Search y Video Moments Finder, y Google AI Edge Foresight para Mac, un asistente de juntas que indexa notas, transcripciones y archivos de forma local.
¿EmbeddingGemma 2 ya se puede usar o solo se anunció?
Ya se puede usar: Google lo lanzó el 6 de octubre de 2026 y los pesos están disponibles en Hugging Face y Kaggle, con soporte en Ollama, llama.cpp y sentence-transformers desde el día del anuncio.
¿Qué significa que sea "multimodal"?
Que convierte texto, código, imágenes, video y audio en el mismo tipo de vector numérico, así que una búsqueda puede comparar una nota de voz contra una foto o un documento sin usar un servicio distinto para cada formato.
¿Necesito conexión a internet para buscar?
No. El objetivo del modelo es correr completo en el dispositivo —celular, laptop o servidor local— y procesar los archivos sin mandarlos a un servicio externo.
¿Qué tan pesado es correrlo?
Es modular: 270 millones de parámetros si solo buscas en texto y código, hasta 740 millones si sumas imagen y audio. Google reporta un consumo de ~191 MB a ~567 MB de RAM cuantizada en un Pixel 11 Pro, como referencia.
¿Reemplaza una búsqueda en la nube de Google?
No hace lo mismo. Gemini Embedding 2, por ejemplo, es un modelo de nube con acceso solo por API de pago; EmbeddingGemma 2 está pensado para correr localmente y gratis, con licencia Apache 2.0.
¿Qué tan rápido regresa resultados?
Según Google, la búsqueda por similitud con MediaPipe Semantic Retriever corre en milisegundos de un solo dígito una vez que los archivos ya están indexados en el dispositivo.
Fuentes
¿Qué archivos de tu empresa deberían quedarse adentro?
En Zadrig Technology te ayudamos a definir qué búsquedas —contratos, llamadas, catálogos, video de operación— tiene sentido mover a un modelo local como EmbeddingGemma 2, y cuáles siguen mejor en la nube. Agenda una demostración con nosotros.
Escríbenos por WhatsApp
