EmbeddingGemma 2 Tanıtıldı: 740 Milyon Parametreli Açık Gömme Modeli

Google DeepMind, 6 Ekim 2026'da toplam 740 milyon parametreli, açık ve çok kipli bir gömme (embedding) modeli olan EmbeddingGemma 2'yi duyurdu; model Apache 2.0 lisansıyla Hugging Face ve Kaggle üzerinden indirilebiliyor. Bu sayfa yalnızca Google'ın blog yazısına dayanır; desteklenen dil sayısı ve Türkçe desteği yazıda yer almadığı için sayfada da yoktur.

Künye

Gömme Modeli Ne Demektir?

Gömme modeli, bir metni, görseli ya da sesi sayı dizisine (vektöre) çeviren yapay zekâ modelidir. Anlamca yakın içerikler birbirine yakın vektörler olarak temsil edilir; böylece anlamsal arama, yönlendirme ve bilgi getirme gibi işler yapılabilir. Google, EmbeddingGemma 2'nin bu işleri tamamen cihaz üzerinde yapacak şekilde tasarlandığını söylüyor. Önceki sürüm için yazıda 20 milyondan fazla indirme olduğu belirtiliyor.

Google Ne Söylüyor?

Yazıya göre modelin toplam boyutu 740 milyon parametre; yalnızca metin işleri için en az 270 milyon parametre yeterli, isteğe bağlı görsel (170 milyon) ve ses (300 milyon) kodlayıcıları ekleniyor. Bu üç rakamın birbirine toplanarak 740 milyona ulaştığı yazıda belirtilmediği için böyle bir hesap yapılmamıştır. Çıktı vektörleri 768 boyuttan 512, 256 veya 128 boyuta kırpılabiliyor; Google bunun yerel vektör veritabanlarında ve bellekte en fazla 6 kat depolama azaltımı sağladığını söylüyor.

Bağlam penceresi 8K token ve EmbeddingGemma 1'in 4 katı. Google'ın verdiği kapasite üst sınırı: 5,5 dakikaya kadar ses, 29 görsel, 58 video karesi ya da bunların iç içe karışımı. Kod performansında MTEB Code ölçümünde 68,76'dan 78,68'e, yani 9,92 puanlık artış bildiriliyor. Bu artış yalnızca kod görevi içindir, genel bir skor değildir. Google ayrıca modelin kendi boyut sınıfında, 1 milyar parametrenin altındaki çok kipli gömme modelleri arasında önde olduğunu ve bazı kendinden iki kat büyük uzman modelleri geçtiğini söylüyor; bunlar Google'ın kendi karşılaştırma iddialarıdır.

Cihaz üzerindeki bellek kullanımı için Google, Pixel 11 Pro üzerinde yalnızca metin ağırlıklarıyla yaklaşık 191 MB, tam çok kipli modelle yaklaşık 567 MB etkin RAM gerektiğini yazıyor. Bu rakamlar tek bir cihaz içindir ve "en az" ifadesiyle verilmiştir. Model Gemma 4 mimarisi üzerine kurulu; Google, Gemini Enterprise Agent Platform Model Garden üzerinden sunumun "yakında" geleceğini söylüyor, tarih vermiyor.

Aynı ekosistemle ilgili diğer sayfalar: Gemini 4 Argon ve Google Playground.

Bu Sayfada Ne Yok?

• Desteklenen dil sayısı yazılmadı; Google'ın yazısında yalnızca "çok dilli" ifadesi var ve sayı verilmiyor.
• Türkçe desteği yazılmadı; blog yazısında bu konuda bir ifade yok, model kartı da okunmadı.
• MTEB çok dilli skoru ve MAEB sayıları yazılmadı; yazıda bu ölçümler için sayı verilmiyor.
• Pixel 11 Pro dışındaki cihazlar için RAM, hız ya da gecikme rakamı yazılmadı; kaynakta yok.
• Model Garden'da sunum tarihi yazılmadı; Google yalnızca "yakında" diyor.
• Hugging Face ve Kaggle sayfalarındaki dosya boyutu ya da indirme sayısı yazılmadı; bu sayfalar okunmadı.
• "Dünyanın en iyisi" türü mutlak bir iddia yazılmadı; Google'ın ifadesi yalnızca 1 milyar altı çok kipli gömme modelleri kapsamında.

Sık Sorulan Sorular

EmbeddingGemma 2 kaç parametreli?

Toplam 740 milyon parametreli. Yalnızca metin işleri için en az 270 milyon parametre yeterli; görsel ve ses kodlayıcıları isteğe bağlı olarak 170 ve 300 milyon parametre ekliyor.

Lisansı nedir?

Google, modelin ticari kullanıma izin veren Apache 2.0 lisansıyla yayımlandığını yazıyor. Gemma lisansı olarak anılmamalıdır.

Nereden indirilir?

Google'ın yazısında model ağırlıklarının Hugging Face ve Kaggle üzerinde bulunabileceği belirtiliyor.

Türkçeyi destekliyor mu?

Bu doğrulanamadı. Yazıda dil sayısı ya da Türkçe için bir ifade yok.

Çıktı vektörünün boyutu sabit mi?

Hayır. Google, 768 boyuttan 512, 256 veya 128 boyuta kırpılabildiğini ve bunun en fazla 6 kat depolama azaltımı sağladığını yazıyor.

9,92 puanlık artış neyi gösteriyor?

MTEB Code ölçümünde 68,76'dan 78,68'e çıkışı. Bu yalnızca kod görevlerine ait bir sonuçtur, modelin genel başarısını ölçmez.

Kaynak: Google, "EmbeddingGemma 2: an open, lightweight multimodal embedding model" (blog.google, 6 Ekim 2026). Veriler 10 Ekim 2026'da doğrudan Google yazısından alınmıştır; benchmark sonuçları Google'ın kendi bildirimidir.