📍 真實場景
獨自接案的網站工程師小陳
他的筆電裡有三年份的專案程式碼、客戶會議錄音和設計截圖，想用一句話找出「上次那個登入頁面的設計稿」
😖 卡住的地方：資料夾搜尋只能比對檔名，錄音和圖片完全搜不到。想用雲端 AI 服務，又擔心把客戶機密資料上傳出去
💡 讀完你會知道，這類「在自己電腦上用一句話搜尋文字、程式、圖片、錄音」的工具，現在有一個免費、可商用、輕量到手機都跑得動的新選擇
⚡ 一句話講清楚
EmbeddingGemma 2 是 Google 剛發表的開源模型。它的工作不是聊天，而是做 嵌入（embedding）把一段文字、一張圖或一段聲音，轉成一長串數字，讓電腦能用「數字距離」判斷兩個東西意思像不像。意思越接近的內容，數字就越靠近，所以你能用「找意思」取代「找關鍵字」。第一代只懂文字，已經累積超過 2000 萬次下載。第二代加入程式碼、圖片、影片和聲音，全部放進同一個共用空間，所以你可以用文字去搜尋錄音或影片片段。
它有三個重點。第一，體積小：整個模型 7.4 億個參數，而且可以拆開用。只處理文字，只需要約 2.7 億參數；要看圖就加 1.7 億的視覺模組，要聽聲音就加 3 億的音訊模組。Google 說，量化後（量化把模型裡的數字用較粗略的格式儲存，犧牲一點點精確度，換取更小的體積與更低的記憶體用量）在 Pixel 11 Pro 手機上，純文字只佔約 191MB 記憶體，完整多模態約 567MB。第二，省空間：它用 Matryoshka 表示法（MRL）像俄羅斯娃娃一樣，一組向量可以只取前面一段來用，768 維可以截短成 512、256 或 128 維，品質會略降但儲存量大幅下降，最多可省 6 倍儲存。第三，授權寬鬆：採用 Apache 2.0，可以商用。
效能方面，官方數字是在程式碼搜尋基準 MTEB Code 上，從第一代的 68.76 分進步到 78.68 分，提升 9.92 分，適合用來做本機程式碼索引與讓程式助理查資料。上下文長度為 8K token，是第一代的 4 倍，可一次處理約 5.5 分鐘音訊、29 張圖或 58 個影片畫面。要注意：這些分數都是 Google 自己公布的，實際效果要用你自己的資料驗證。另外，這則素材來自 Hacker News 討論串，只有 169 分、25 則留言，討論熱度不算高，資訊主要仍以官方發表為準。
🏃 快速上手三步（今天就能做）
1
先確認你的場景值不值得換打開官方發表頁（blog.google 上的 EmbeddingGemma 2 文章），對照你手上的需求：你是不是有大量文字、程式碼、圖片或錄音需要「用意思搜尋」，而且資料不想離開自己的電腦？如果你只搜尋純文字，且現有方案已經夠用，就沒有急著換的理由。
▼
2
只用最小的文字版小規模試跑到官方頁面找模型下載與範例程式的連結（通常放在 Hugging Face 或 Kaggle），先只載入約 2.7 億參數的純文字部分，不要一開始就裝視覺和音訊模組。拿你自己的 50 到 100 份文件，各寫 5 個你實際會問的問題，看正確答案有沒有排進前 3 名。這比看官方基準分數更能說明它適不適合你。
▼
3
測量記憶體與維度的取捨，再決定要不要上多模態同一批資料分別用 768 維和 256 維各建一次索引，比較「檔案大小」與「前 3 名命中率」。如果 256 維的命中率只掉一點點，就選它省空間。確認文字版效果夠好、你的機器記憶體也撐得住，再試圖片或音訊模組。注意：官方的 191MB 與 567MB 是在 Pixel 11 Pro 上量化後的數字，你的電腦不一定一樣，要自己實測。
🧠 工程思維透鏡（資深工程師看到的是什麼）
🔭 模組化設計（文字 2.7 億＋視覺 1.7 億＋音訊 3 億）對實際系統架構意味著什麼？
這讓你能按需求付出成本：純文字服務不必背負多模態的記憶體。代價是三個模組共用同一個向量空間，你必須全部用同一版本建索引，之後升級模型就得整批重建。另外，跨模態搜尋（用文字找錄音）的品質通常不會等同於單一模態內部搜尋，上線前要分開測。
🔭 把向量從 768 維截短到 128 維，真的是免費的午餐嗎？
不是。官方宣稱最多省 6 倍儲存，但維度越低，區分相近內容的能力越弱，在文件數量多、內容相似度高的資料庫裡，誤判率可能明顯上升。實務做法是用你的資料畫出「維度與命中率」曲線，找到可接受的最低維度；也可以先用低維度粗篩，再用完整維度重新排序。