Ingeniería de IA
EmbeddingGemma 2: buscar entre texto e imágenes
Buscar una imagen con una frase o encontrar un texto relacionado con ella. EmbeddingGemma 2 conecta esos contenidos mediante representaciones numéricas.
Buscar una imagen con las palabras que recuerdas
Recuerdas una pantalla, pero no el nombre del tutorial que la explica. EmbeddingGemma 2 permite comparar texto, imágenes, audio y vídeo en un mismo espacio de representaciones numéricas. Así una frase puede servir para buscar una imagen relacionada.
Google DeepMind lo publicó el 6 de octubre de 2026, con pesos públicos bajo Apache 2.0. El modelo encuentra candidatos; no redacta por sí solo la respuesta ni garantiza que el primero contenga el dato correcto.
La captura correcta también necesita su versión
Imagina una biblioteca pública de tutoriales. Preguntas dónde está la opción para exportar a PDF y hay capturas de varias versiones de la aplicación.
Cada entrada debería conservar el tutorial, la versión y el apartado de origen. Una pantalla antigua puede parecerse mucho a la actual. En este ejemplo, encontrar una imagen similar no basta: necesitas los pasos que esa persona pueda seguir en su versión.
Si después añades una respuesta redactada, debe apoyarse en el material encontrado y permitir abrirlo. Cuando falta la versión o no hay una fuente adecuada, puede pedir ese dato.
Primero encontrar, después explicar
En un sistema RAG, la aplicación busca información y se la entrega a un modelo para responder. EmbeddingGemma puede ayudar en la búsqueda. Si devuelve otro tutorial, el error está antes de redactar; si encuentra el correcto y la respuesta inventa un paso, está después.
No todos los documentos necesitan un índice visual. Las capturas aportan algo cuando muestran información que se perdería al conservar solo el texto.
Una consulta y un índice que hablen el mismo idioma numérico
La ficha usa prefijos distintos para consultas y documentos de texto, y permite vectores de 768, 512, 256 o 128 dimensiones. Consulta e índice deben tener la misma dimensión. Tras recortar un vector para similitud coseno hay que normalizarlo de nuevo.
Menos dimensiones ocupan menos espacio. A 128, Google advierte de pérdida de calidad multimodal, así que conviene probar especialmente las capturas parecidas. Guarda el modelo y la configuración del índice antes de mezclarlos con consultas nuevas.
Dos detalles al ejecutarlo
Puedes cargar solo los componentes de las modalidades que necesites. El tiempo y la memoria dependerán del dispositivo y los archivos que vayas a usar.
La guía pide bfloat16 o float32 y desaconseja float16 por problemas de rango numérico. Tampoco basta ejecutar los embeddings en el equipo para considerar privada toda la aplicación: revisa dónde se guardan los documentos y adónde se envían si otro modelo redacta la respuesta.
La prueba es encontrar la fuente útil
Utiliza consultas con respuesta conocida, pantallas de versiones distintas y preguntas que la biblioteca no resuelva. Revisa los primeros resultados, el tiempo y los recursos con la misma colección que tu buscador actual.
Una puntuación de similitud ordena candidatos. No es una probabilidad de que la explicación sea verdadera. El resultado que importa es llegar al tutorial adecuado y poder comprobar su origen.