EmbeddingGemma 2 ist Googles Modell für die Suche nach Bedeutung: Eine geschriebene Frage kann damit auch zu einem Foto, einer Aufnahme oder einem Dokument führen. Die Vorstellung erfolgte am 6. Oktober 2026. Interessant ist der Ansatz vor allem für Anwendungen, die lokale Bestände durchsuchen sollen, ohne sämtliche Dateien automatisch an einen externen Dienst zu übertragen.
Dabei geht es nicht um einen weiteren Chatbot auf dem Rechner. Entscheidend ist, das passende Material zu finden, bevor ein Assistent es auswertet: eine Stelle im Video, ein schlecht beschriftetes Bild oder eine Notiz mit anderen Begriffen als in der Suchanfrage.
EmbeddingGemma 2: Bedeutung statt bloßer Wortgleichheit
Die offizielle Modellkarte beschreibt ein modulares multimodales Modell mit insgesamt 740 Millionen Parametern und einem gemeinsamen Raum mit 768 Dimensionen. Text-, Bild- und Audioencoder liefern Vektoren, keine ausformulierten Antworten.
Eine Suchanwendung vergleicht die Darstellung der Anfrage mit den Darstellungen der erfassten Inhalte. Eine hohe Ähnlichkeit deutet auf einen möglichen Zusammenhang hin. Sie bestätigt weder die Richtigkeit einer Datei noch ihre Aktualität oder die exakte Absicht der suchenden Person.
Bei Finanzunterlagen ist diese Trennung besonders wichtig. Ein Bild, das wie ein Zahlungsbeleg aussieht, beweist keine ausgeführte Zahlung. Ein thematisch passender Text über Ethereum kann außerdem veraltete Hinweise enthalten und trotzdem weit oben in der Suche erscheinen.
Was die technischen Angaben tatsächlich aussagen
| Bereich | Veröffentlichte Angabe | Praktische Bedeutung |
|---|---|---|
| Aufgabe | Multimodale Embeddings | Suche, kein eigenständiger Chatbot |
| Architektur | Insgesamt 740 Millionen Parameter | Nicht der gesamte Speicherbedarf der Anwendung |
| Ausgabe | 768 Dimensionen, kleinere Varianten möglich | Speicherbedarf und Trefferqualität gemeinsam prüfen |
| Zielgeräte | Hardware für Endverbraucher | Eignung auf dem eigenen Gerät messen |
Aus der Parameterzahl lässt sich nicht ableiten, ob eine Anwendung auf einem günstigen Telefon flüssig arbeitet. Auch Datenbank, geladene Dateien, Benutzeroberfläche und weitere Prozesse benötigen Speicher und Rechenzeit.
Für einen aussagekräftigen Vergleich sollten Speicher im Leerlauf, Spitzenbedarf bei der Erfassung und Antwortzeit bei der Suche getrennt gemessen werden. Eine schnelle Vorführung mit wenigen Dateien sagt wenig über ein großes Videoarchiv aus.
Warum ein Embedding-Modell noch kein fertiges RAG-System ist
EmbeddingGemma 2 kann einen Baustein für Retrieval-Augmented Generation liefern. Die Aufteilung der Dokumente, Zugriffsrechte, Auswahl der Treffer und Darstellung der Quellen müssen Entwickler trotzdem selbst gestalten.
Als Einordnung eignet sich unser Beitrag über NeoMME und Visual RAG. Die Wahl sollte von den tatsächlichen Fehlern im Datenbestand ausgehen und nicht allein davon, welches Modell zuletzt vorgestellt wurde.
Ein Rechnungsarchiv stellt andere Anforderungen als eine Fotosammlung. Bei Rechnungen kann die exakte Nummer wichtiger sein als inhaltliche Ähnlichkeit. Bei Bildern hilft dagegen häufig eine natürliche Beschreibung, wenn nie passende Schlagwörter vergeben wurden.
Ein Beispiel: eine bestimmte Videostelle wiederfinden
Angenommen, eine lokale Sammlung enthält technische Schulungen und die Frage lautet: „Wo wird ein Sicherheitsschlüssel vorgeführt?“ Dieses Beispiel beschreibt einen möglichen Anwendungsfall; es ist kein von uns durchgeführter Leistungstest.
Die Anwendung sollte passende Abschnitte zusammen mit Verweisen auf die ursprünglichen Aufnahmen anzeigen. Ein überzeugender Absatz eines Assistenten reicht nicht aus. Nutzer müssen die Fundstelle öffnen und selbst erkennen können, worauf sich die Antwort stützt.
Ein Test benötigt deshalb sowohl Fragen mit bekannten Antworten als auch Fragen, die das Archiv nicht beantworten kann. Kein geeigneter Treffer muss ein zulässiges Ergebnis bleiben. Wird immer irgendeine Datei ausgegeben, wirkt die Vorführung hilfreich, obwohl die Zuverlässigkeit darunter leidet.
Android-Demos sind keine allgemeine Verfügbarkeitszusage
Der Beitrag von Google AI Edge zeigt Beispiele für die Suche in Medien und Videos. Diese Herstellerdemonstrationen ersetzen keine unabhängige Prüfung mit beruflichen Unterlagen, verschiedenen Sprachen oder unterschiedlichen Geräten.
Die Ankündigung unterscheidet zudem zwischen den Demos und einem geplanten Android-Dienst über ML Kit. Eine für die folgenden Wochen angekündigte Bereitstellung darf ohne aktuelle Prüfung nicht als allgemein verfügbare Funktion auf jedem Telefon beschrieben werden.
Unsere Einordnung zu lokalem Gemma 4 in Android Studio behandelt einen verwandten Bereich. Entwicklungsunterstützung und generative Ausgabe sind jedoch andere Aufgaben als das Berechnen von Suchvektoren.
Lokal ausgeführt heißt nicht automatisch vollständig privat
Eine Verarbeitung auf dem Gerät kann notwendige Übertragungen reduzieren. Ob Informationen das Gerät verlassen, hängt aber von der gesamten Anwendung ab. Cloud-Sicherung, Synchronisierung, Telemetrie und Diagnoseprotokolle bleiben mögliche Übertragungswege.
Auch der Suchindex ist schützenswert. Dateinamen, Pfade und gespeicherte Treffer können sensible Informationen verraten, obwohl die Originaldateien an anderer Stelle verschlüsselt liegen. Berechtigungen sollten deshalb bereits die Ergebnisliste begrenzen und nicht erst das Öffnen der Datei.
Wann sich eine Erprobung lohnt
EmbeddingGemma 2 ist ein interessanter Kandidat, wenn unterschiedliche Medien lokal gefunden oder Belege für einen Assistenten ausgewählt werden sollen. Für eine strukturierte Liste mit exakten Kennungen kann eine gewöhnliche Suche weiterhin die einfachere Lösung sein.
Ein sinnvoller Einstieg ist eine kleine, repräsentative Sammlung ohne sensible Inhalte. Die Fragen sollten vor dem Versuch feststehen. Verglichen werden brauchbare Treffer, ausgelassene Antworten, Erfassungsdauer, Ressourcenverbrauch und zusätzlicher Pflegeaufwand.
Außerdem muss klar sein, was nach Änderungen passiert: Wer erneuert den Index, und wie verschwinden gelöschte Inhalte aus den Ergebnissen? Ein gutes Modell beantwortet diese Betriebsfragen nicht automatisch. Bewertet werden sollte die gesamte Suchfunktion über ihren Alltag hinweg.
Für die Entscheidung sind auch Fehlerkosten relevant. Ein übersehenes Urlaubsbild ist meist unproblematisch; ein falsch zugeordneter Beleg kann dagegen eine spätere Prüfung erschweren. Je nach Einsatz sollten daher unterschiedliche Maßstäbe gelten, statt eine einzige Ähnlichkeitsschwelle für alle Sammlungen zu übernehmen.
