‏🤖 انتشار مدل امبدینگ چندوجهی EmbeddingGemma 2

‏گوگل دیپ‌مایند مدل EmbeddingGemma 2 را به صورت متن‌باز منتشر کرد. این مدل با ۷۴۰ میلیون پارامتر، توانایی نگاشت متن، کد، تصویر، صوت و ویدیو را در یک فضای برداری ۷۶۸ بعدی دارد و به دلیل حجم کم، برای اجرا روی سیستم‌های محلی مناسب است.

‏مهم‌ترین ویژگی‌های فنی این مدل:
‏• ساختار ماژولار: امکان بارگذاری انتخابی ماژول‌های متن، تصویر یا صوت برای کاهش مصرف حافظه.
‏• قابلیت Matryoshka Embeddings: امکان کاهش ابعاد بردارها به ۵۱۲، ۲۵۶ یا ۱۲۸ برای بهینه‌سازی ذخیره‌سازی در دیتابیس‌های برداری.
‏• کاربرد در RAG چندوجهی: جست‌وجوی محتوای صوتی و تصویری با پرامپت متنی در یک فضای برداری مشترک.
‏• سازگاری: پشتیبانی از Sentence Transformers و فرمت GGUF برای اجرا در محیط‌های سبک.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#EmbeddingGemma_2 #Matryoshka_Embeddings

‏انتشار مدل EmbeddingGemma 2 توسط گوگل

‏گوگل مدل EmbeddingGemma 2 را با هدف جستجوی چندوجهی (Multimodal) روی دستگاه‌های محلی منتشر کرد. این مدل با ۷۴۰ میلیون پارامتر، متن، کد، تصویر، ویدیو و صوت را به فضای برداری واحد تبدیل می‌کند.

‏ترکیب پارامترهای این مدل شامل ۲۷۰ میلیون برای متن، ۱۷۰ میلیون برای بینایی و ۳۰۰ میلیون برای صوت است. شما می‌توانید ماژول‌های مورد نیاز را به صورت جداگانه فعال کنید. در اجرای بهینه، مدل کامل حدود ۵۶۷ مگابایت و نسخه متنی حدود ۱۹۱ مگابایت از رم سیستم را اشغال می‌کند.

‏مهم‌ترین نکات درباره این مدل:
‏• لایسنس Apache 2.0 برای استفاده تجاری آزاد است.
‏• پشتیبانی از بیش از ۱۰۰ زبان و بافت (Context) ۸ هزار توکنی.
‏• امکان اجرای محلی از طریق فرمت GGUF با استفاده از ابزار Unsloth.
‏• کاربرد اصلی در جستجوی معنایی و RAG بدون نیاز به ارسال داده به فضای ابری.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#EmbeddingGemma_2 #جستجوی_چندوجهی