شرح EmbeddingGemma 2: البحث متعدد الوسائط وRAG

تخيل أنك تبحث في مجلد المشروع عن "الرسم التخطيطي الذي يشرح عملية الإعداد لدينا". قد تكون الإجابة في شريحة أو لقطة شاشة أو لحظة في ورشة عمل مسجلة، وليس في مستند يحمل عنوانًا أنيقًا. يتعين على نظام البحث النصي فقط استخراج تلك المادة أو وصفها قبل أن يتمكن من العثور عليها.

EmbeddingGemma 2 هو نموذج Google الجديد ذو الوزن المفتوح لحل مشكلة الاسترجاع هذه. تم إصدار في 6 أكتوبر 2026، وهو يمثل النص والتعليمات البرمجية والصور والصوت والفيديو في مساحة بحث مشتركة، مع التركيز على التشغيل على أجهزتك الخاصة. هذا مكون بحث، وليس chatbot آخر. يحدد إعلان إطلاق Google الاتجاه المحلي متعدد الوسائط.

وجهة نظرنا: الجزء المثير للاهتمام ليس أن كل شركة يجب أن تستبدل عناصرها الحالية. إن البحث في وسائل الإعلام الخاصة ومساعدي الذكاء الاصطناعي المحليين أصبح لديهم الآن لبنة بناء عملية أخرى. يعتمد ما إذا كان يعمل على تحسين نظامك على ما تحتاج إلى استرجاعه، ومكان تشغيله، ومقدار الهندسة التي ترغب في امتلاكها.

للحصول على المواصفات وروابط المقارنة، راجع ملف تعريف الطراز EmbeddingGemma 2. سنشرح هنا ما الذي تغير، وأين يتناسب مع RAG، وكيفية تقييمه دون الضياع في مصطلحات النموذج.

ما هو EmbeddingGemma 2 باللغة الإنجليزية البسيطة؟

التضمين هو تمثيل رقمي للمحتوى. يقوم برنامج البحث بمقارنة تلك التمثيلات للعثور على العناصر المرتبطة بشكل مفيد، حتى عندما تختلف صياغتها. أنت لا تقرأ المتجه؛ يمكنك استخدامه للعثور على الشيء الذي تريد قراءته أو مشاهدته أو سماعه بالفعل.

يعمل EmbeddingGemma 2 على توسيع هذه الفكرة عبر الوسائط. يمكن أن يؤدي السؤال المكتوب بالكلمات إلى صورة أو تسجيل، بدلاً من مجرد مقطع آخر من النص. لها نقطة تفتيش جوجل الرسمية يتضمن مكونًا نصيًا وأجهزة ترميز صوت ورؤية اختيارية. يمكنك تحميل الأجزاء التي يحتاجها تطبيقك بدلاً من تشغيل الإعداد الكامل متعدد الوسائط دائمًا.

فكر في الأمر باعتباره أمين المكتبة، وليس المؤلف. يساعد في تحديد المواد المصدرية المفيدة. يمكن لنموذج توليدي منفصل بعد ذلك تحويل هذه المادة إلى إجابة، ولا يزال يتعين على التطبيق التعامل مع أذونات الوصول والاستشهادات والملفات الأصلية.

هذا الانفصال مهم. يمكن لإجابة chatbot المقنعة أن تخفي نظام بحث ضعيفًا. تحسين الاسترجاع يعطي نموذج الإجابة دليلاً أفضل؛ لا يجعل كل إجابة صحيحة تلقائيًا.

EmbeddingGemma 2 مقابل EmbeddingGemma 1: ما الذي تغير؟

كان EmbeddingGemma الأصلي عبارة عن نموذج مدمج ومتعدد اللغات لدمج النص مصمم للاستخدام المحلي. الإصدار 2 ليس بداية قصة بحث Google على الجهاز. التوسع الرئيسي هو دعم الوسائط، إلى جانب نتيجة أقوى لاسترجاع التعليمات البرمجية. جوجل نظرة عامة على الإصدار يميز الجيلين .

تم توثيق مواصفات الإصدار 2 وترخيصه في دليل Google بطاقة نموذجية. تجدر الإشارة إلى التكوين الأصغر للنص فقط: فإضافة إمكانية الوسائط لا تعني أن كل تطبيق يجب أن يحمل النموذج الكامل.

بالنسبة لقاعدة معارف النص الموجودة، يعد هذا سببًا للتقييم، وليس أمر ترحيل تلقائي. إذا عثر الإصدار 1 بالفعل على المقاطع الصحيحة بشكل موثوق، فقد تحل برامج تشفير الصور والصوت الجديدة مشكلة لا تواجهها. لدى الفريق الذي يبحث عن التعليمات البرمجية أو التعليمات المرئية أو التسجيلات سبب أكثر وضوحًا لتجربة الإصدار 2.

سبب أهمية RAG والمعرفة الخاصة

يعني توليد الاسترجاع المعزز، أو RAG، العثور على المواد المصدرية ذات الصلة قبل مطالبة نموذج الذكاء الاصطناعي بالإجابة. إن جودة تلك الخطوة الأولى تشكل كل ما يليها.

والمثال المألوف هو مساعد الدعم الداخلي. قد توضح الملاحظات المكتوبة حول استكشاف الأخطاء وإصلاحها وجود خطأ، ولكن قد يحتاج الفني أيضًا إلى الصورة المشروحة التي توضح الموصل الصحيح. يمكن لطبقة الاسترجاع متعددة الوسائط أن تساعد في جمع هذه القطع معًا. هذه حالة استخدام افتراضية، وليست ادعاء بأن هذا النموذج قد اجتاز تقييم دعم السلامة الحرجة.

سننظر في ثلاثة أنواع من الطيارين أولاً:

• مكتبة وسائط خاصة: يعثر على لقطات شاشة مفيدة أو صور منتجات أو تعليمات مرئية باللغة العادية.
• مساعد مطور محلي: يقوم باسترداد التعليمات البرمجية ذات الصلة دون إرسال المستودع بالكامل إلى خدمة التضمين.
• أرشيف تسجيل قابل للبحث: يقوم بإرجاع مقطع ذي صلة وطابعه الزمني، بدلاً من جعل شخص ما يتصفح التسجيل بالكامل.

وفي كل حالة، يجب أن يشير الاسترجاع إلى الأدلة. احتفظ بمرجع الملف وقسم المستند ونطاق الوصول والطابع الزمني للوسائط بجانب المتجه. النتيجة المشابهة ليست كافية إذا لم يتمكن المستخدم من فتحها أو فهم سبب إعادتها.

كما أنه لا يحل محل إعداد المستندات. إن العثور على صفحة مرئية واستخراج جدول بجودة جدول البيانات هما مهمتان مختلفتان. إذا كانت مشكلتك هي تعطل ترتيب قراءة ملف PDF، أو فقدان العناوين، أو استخراج جدول غير موثوق، فابدأ بطبقة العرض. لدينا دليل التوثيق و شرح Cohere Parse تغطية هذا الجانب من خط الأنابيب.

ما تظهره معايير Google فعليًا

تحكي النتائج المنشورة قصة أكثر تحديدًا من عبارة "الأفضل في كل شيء". في التقييم الكامل الدقة ذو 768 بُعدًا في بطاقة نموذج Google، انتقلت درجة MTEB متعددة اللغات من 61.15 إلى 61.36. تنتقل نتيجة الكود MTEB من 68.76 إلى 78.68 — أي بزيادة نسبية قدرها 14% تقريبًا على هذا التقييم المحدد. هذه هي نتائج التي أبلغت عنها Google، وليست نتائج اختباراتنا الخاصة. تحدد الجداول المعيارية إصدارات التقييم ومقاييسه.

قراءتنا هي أن العنوان واسع النطاق بالإضافة إلى استرجاع أفضل للكود، مع أداء نص متعدد اللغات محفوظ تقريبًا. وهذا أكثر فائدة من التعامل مع نسبة مئوية من معيار واحد كتحسين موعود لكل استعلام بحث تجاري.

سؤال المتابعة الصحيح هو: هل يسترد؟ الخاص بك المصادر ذات الصلة؟ يمكن للنموذج أن يحقق نتائج جيدة في المهام العامة ولا يزال يعاني من الاختصارات أو الرسوم البيانية غير العادية أو الملفات متعددة اللغات أو التسجيلات الضعيفة. تعتبر مجموعة تقييم صغيرة من الأسئلة الحقيقية والأدلة المتوقعة أكثر قابلية للتنفيذ من تسمية الفائز العالمي.

المحلي لا يعني أنه مجاني، أو خاص تلقائيًا

الأوزان المفتوحة تغير هيكل التكلفة. أنت لا تشتري سعر رمزي ثابت من التضمين المستضاف لدى Google API لهذا الإصدار. أنت مسؤول عن الحساب والذاكرة ووقت الفهرسة والنشر والصيانة. يسمح الإصدار Apache 2.0 بمسار نشر مختلف؛ لا يزيل تكاليف التشغيل.

يمكن أن يكون ذلك جذابًا عندما يجب أن يبقى المحتوى بالقرب من المستخدم أو يعمل بدون اتصال بالشبكة. جوجل دليل حافة الذكاء الاصطناعي يوضح البحث عن الوسائط المحلية واسترجاع الفيديو على أجهزة المستهلك. وترتبط قياسات الذاكرة وزمن الاستجابة بأجهزة وتكوينات وأحمال عمل محددة، ولا يعد هذا ضمانًا لكل كمبيوتر محمول أو هاتف.

بالنسبة للتجربة التجريبية، سنقوم بقياس التجربة بأكملها: المدة التي يستغرقها إنشاء الفهرس الأول، ومدى سرعة عودة الاستعلامات بعد الفهرسة، وذروة الذاكرة أثناء المعالجة، وتأثير البطارية، وما يحدث عندما تتغير الملفات. الاستعلام السريع ليس هو نفسه الاستيراد الأولي السريع.

الخصوصية هي أيضًا خاصية تطبيقية. يمكن أن يؤدي استدلال التضمين المحلي إلى إبقاء المادة المصدر خارج التضمين البعيد API. لكن النسخ الاحتياطية السحابية، أو القياس عن بعد، أو قاعدة بيانات المتجهات عن بعد، أو نموذج الرد المستضاف قد يستمر في نقل البيانات إلى مكان آخر. قم بتعيين مسار البيانات بالكامل قبل استدعاء النظام "محلي بالكامل".

وبالمثل، فإن المتجهات ليست نظامًا للتحكم في الوصول. الحفاظ على أذونات المصدر وتصفية النتائج للشخص الذي يطرح السؤال. لا ينبغي أن يصبح الملف الخاص قابلاً للاكتشاف لمجرد أن متجهه يشارك فهرسًا مع مادة عامة.

ناقلات أصغر: مدخرات مفيدة مع مقايضة حقيقية

يدعم النموذج تقصير التضمينات الخاصة به، وهي تقنية تسمى Matryoshka Representation Learning. جوجل دليل المطور يشرح الأحجام المدعومة والحاجة إلى تطبيع المتجه مرة أخرى بعد الاقتطاع.

الفكرة العملية بسيطة: تخزين أرقام أقل لكل عنصر يمكن أن يجعل الفهرس الكبير أصغر. يؤدي تقليل أبعاد المتجه من 768 إلى 128 إلى خفض حمولة المتجه الخام ستة أضعاف عندما يظل تنسيق الأرقام كما هو. لا يجعل التطبيق أو قاعدة البيانات بأكملها أرخص بست مرات؛ لا تزال الملفات الأصلية وبيانات التعريف وحمل فهرس البحث موجودة.

كما أن الإعداد الأصغر ليس بمثابة ترقية مجانية للجودة. وتُظهِر نتائج جوجل انخفاضًا أكبر في الوسائط المتعددة عند 128 بُعدًا مقارنةً بـ 256 أو 512. وسوف نبدأ تجربة بحث عن الوسائط بالحجم الأصلي، ونحدد خط الأساس للاسترجاع، ثم نختبر متجهات أصغر مقابل نفس الأسئلة. يجب أن تستخدم الاستعلامات والعناصر المفهرسة أبعادًا متوافقة.

يعد هذا تحسينًا جيدًا بعد إثبات فائدته. لا يعد حفظ مساحة التخزين على فهرس يُرجع التسجيل الخاطئ بمثابة فوز كبير.

EmbeddingGemma 2 مقابل Gemini Embedding 2 وOpenAI وCohere

هذه ليست نماذج تسليم قابلة للتبديل. غالبًا ما يكون القرار الأول هو ما إذا كنت تريد تشغيل عمليات التضمين بنفسك أو استهلاك خدمة مُدارة. لا تحدد المعايير العامة فائزًا عادلاً عبر كل وقت تشغيل ومجموعات وطريقة.

Gemini Embedding 2: الاسترجاع المُدار متعدد الوسائط

Gemini Embedding 2 هو خيار التضمين متعدد الوسائط المستضاف من Google. يدعم دليل API الحالي النصوص والصور والصوت والفيديو وملفات PDF، مع إخراج افتراضي يبلغ 3072 بُعدًا ومخرجات أصغر قابلة للتكوين. وثائق تضمين Gemini الخاصة بـ Google هي المرجع لسلوك API.

وجهة نظرنا: خذ بعين الاعتبار الجوزاء عندما تكون البنية التحتية المُدارة هي الأولوية؛ خذ بعين الاعتبار EmbeddingGemma عندما يكون التشغيل المحلي أو التحكم في النشر أمرًا مركزيًا. إن المقايضة ليست مجرد "النواقل الكبيرة في مقابل النواقل الصغيرة". أنت تختار مكان حدوث المعالجة ومن يقوم بتشغيلها. راجع المقارنة بين EmbeddingGemma 2 وGemini Embedding 2.

OpenAI text-embedding-3-large: API الذي يركز على النص

OpenAI text-embedding-3-large هو نموذج تضمين نص مستضاف، وليس بديلاً أصليًا لتضمين الصور أو الصوت أو الفيديو. يوثق OpenAI مخرجات افتراضية ذات 3072 بُعدًا وطريقة لطلب أبعاد أقل. سعر API القياسي المدرج حاليًا هو 0.13 دولارًا أمريكيًا لكل مليون رمز إدخال؛ هذا هو استخدام API، وليس اشتراك ChatGPT. دليل التضمين OpenAI و تسعير API شرح النطاق.

بالنسبة لمجموعة نصية جيدة الإعداد، قد تظل خدمة النصوص المُدارة هي الاختيار الأبسط. بالنسبة لاسترداد الوسائط الأصلية أو الفهرسة دون الاتصال بالإنترنت، فإنك تحل مشكلة مختلفة. لدينا صفحة المقارنة OpenAI يفصل تلك القدرات عن التسعير.

Cohere Embed 4: خيار آخر متعدد الوسائط موجود

في تشكيلة Cohere، تضمين 4 يتعامل مع النصوص والصور ومحتوى المستندات المختلط. وهذا يجعلها مقارنة مناسبة للاسترجاع المؤسسي، خاصة عندما تحتوي المستندات المصدر على معلومات مكتوبة ومرئية. وثائق التضمين الحالية لـ Cohere يسرد عائلتها النموذجية وقدراتها.

سنقوم بمقارنة عبء العمل الفعلي للمستندات، ومتطلبات النشر، وخيارات الشراء، ولا نفترض أن جميع النماذج "متعددة الوسائط" تعالج نفس الملفات بنفس الطريقة. راجع EmbeddingGemma 2 vs Cohere Embed 4 للاطلاع على الحقائق المنشورة.

كيفية تجربتها دون تحويل هذا إلى مشروع بحثي

ابدأ بسؤال يجد الناس بالفعل صعوبة في الإجابة عليه. اختر مجموعة محدودة — مستودع تعليمات برمجية واحد، أو مجلد تعليمات مرئية، أو مجموعة صغيرة من التسجيلات. تجنب فهرسة كل شيء قبل أن تعرف كيف يبدو النجاح.

للحصول على مقدمة مرئية، توضح أمثلة AI Edge Gallery من Google Instant Media Search وVideo Moments Finder. يصف نفس إعلان AI Edge رفيق اجتماع محلي تجريبي لنظام التشغيل Mac. ويصف أيضًا تكامل ML Kit Android بأنه قادم؛ لا تفترض أن التكامل المستقبلي المعلن عنه متاح بالفعل.

بالنسبة للمطورين، تشرح وثائق Transformers مكونات النموذج ومعالجة الوسائط. يستخدم استرجاع الفيديو الإطارات التي تم أخذ عينات منها، لذلك يمكن تفويت حدث قصير بين العينات. تتم مشاركة السياق عبر المدخلات في الطلب؛ لا تزال التسجيلات الأطول ومجموعات المستندات بحاجة إلى تجزئة معقولة.

احتفظ بتفاصيل التنفيذ في القائمة المرجعية. أولاً، اتبع الاستعلام الموثق ومطالبات مهمة المستند بدلاً من التعامل مع كل إدخال بشكل متماثل. ثانيًا، استخدم الدقة الرقمية المدعومة: توصي إرشادات نقطة التفتيش من Google باستخدام bfloat16 أو float32 وتحذر من float16. هذه تفاصيل خاصة بالشخص الذي يبني البرنامج التجريبي، وليست قرارات يجب على المستخدم النهائي اتخاذها. تغطي تعليمات نقطة التفتيش الرسمية كلا الأمرين.

ثم اختبر أكثر من عمليات بحث سهلة. قم بتضمين المطابقات القريبة التي لا ينبغي إرجاعها، والمعلومات المفقودة، والأسئلة متعددة اللغات، والملفات التي لا يُسمح للمستخدم بالوصول إليها. تحقق مما إذا كان المصدر الصحيح يظهر في النتائج القليلة الأولى، وتفحص الأدلة بدلاً من الحكم على الإجابة النهائية فقط.

إذا كنت تقوم بالترحيل من نموذج آخر، فإن توصيتنا هي إنشاء فهرس مرشح منفصل وإعادة تضمين مجموعة الاختبار. مطابقة أطوال المتجهات لا يؤدي إلى التوافق بين النماذج المختلفة. قارن بين النظامين في نفس المجموعة المصدر قبل استبدال فهرس العمل.

والخلاصة: مجموعة أدوات استرجاع أوسع، وليست بديلاً عالميًا

يكون EmbeddingGemma 2 أكثر إثارة للاهتمام عندما تنتشر المعرفة المفيدة عبر الوسائط وحيث يكون للمعالجة المحلية غرض واضح. فهو يوسع ما يمكن أن تبحث عنه طبقة الاسترجاع ذات الوزن المفتوح مع السماح للتطبيقات بتحميل أجهزة التشفير التي تحتاجها فقط.

توصيتنا هي التعامل معه باعتباره تجربة تجريبية مركزة: إثبات أنه عثر على الأدلة الصحيحة، والتحقق من مسار البيانات، وقياس التكلفة الحقيقية للجهاز. إذا تم حل هذه المشكلات، فإن حجم النموذج وإعدادات المتجهات تصبح اختيارات هندسية مفيدة. إذا لم يحدث ذلك، فإن العنوان الرئيسي القوي ليس سببًا كافيًا للتبديل.

تصفح تضمين مكتبة النماذج للحصول على بدائل، أو استخدم الملف الشخصي EmbeddingGemma 2 لمصادرها وملاحظات النشر والمقارنات المركزة. هذه مراجعة تعليمية لإصدار Google، وليست إعلانًا بأن Cody يوفر استنتاج EmbeddingGemma.

الأسئلة المتداولة

هل EmbeddingGemma 2 هو برنامج chatbot؟

لا، إنها تنتج ناقلات التضمين التي يستخدمها البرنامج للاسترجاع أو التشابه أو التصنيف أو التجميع. هناك حاجة إلى نموذج توليدي منفصل إذا كان التطبيق يجب أن يكتب إجابة.

هل EmbeddingGemma 2 مجاني؟

تطلق Google الأوزان تحت Apache 2.0. وهذا لا يجعل الحوسبة أو التخزين أو الاستضافة مجانية. لا يوجد معدل رمزي واحد ثابت ومستضاف لـ API في وثائق الإصدار.

ما الذي تغير من EmbeddingGemma 1؟

يضيف الإصدار 2 استرجاع الصور والصوت والفيديو الأصلي إلى جانب النص والتعليمات البرمجية، ويوسع ميزانية السياق، ويقدم وحدات تشفير معيارية. تُظهر تقييمات Google نتيجة أكواد أقوى وأداء نصي متعدد اللغات دون تغيير تقريبًا.

هل يمكن تشغيل EmbeddingGemma 2 دون الاتصال بالإنترنت؟

يمكن أن يدعم الاستدلال المحلي البحث في وضع عدم الاتصال بمجرد وجود البرامج والأوزان والمحتوى المفهرس المطلوب على الجهاز. التطبيق الكامل يكون غير متصل بالإنترنت فقط إذا كانت مكوناته الأخرى لا تتطلب خدمات عن بعد.

هل EmbeddingGemma 2 أفضل من Gemini Embedding 2؟

لا يوجد فائز عالمي هنا. يوفر EmbeddingGemma 2 أوزانًا مفتوحة للنشر المحلي أو المستضاف ذاتيًا، بينما Gemini Embedding 2 عبارة عن API مُدار. قارن جودة الاسترجاع ودعم الوسائط والتكلفة ومتطلبات النشر على بياناتك الخاصة.

هل يحل محل محلل المستندات أو قاعدة بيانات المتجهات؟

لا، فهو يمثل محتوى للبحث. يظل التحليل والتقطيع وأذونات المصدر وفهرسة المتجهات وإنشاء الإجابات مسؤوليات منفصلة في نظام RAG.