Google DeepMind a publié EmbeddingGemma 2 le 6 octobre 2026. C'est un modèle d'embedding ouvert, sous licence Apache 2.0, qui range dans un même espace le texte, le code, les images, les documents scannés, la vidéo et l'audio. Pour une PME ou une ETI, ça veut dire une chose précise : taper « photo de la fissure sur le mur nord du chantier Dupont » et retrouver la photo, sans que personne ne l'ait légendée, sur un serveur interne et sans envoyer un seul fichier à un tiers.
Le modèle compte 740 millions de paramètres, il est construit sur Gemma 4 et tient en moins de 600 Mo de mémoire une fois quantifié. Il ne remplace ni un classement propre, ni un vrai projet (base vectorielle, interface, droits d'accès), et sur le texte pur il ne fait pas mieux que la première version. Mais il rend enfin abordable une recherche sémantique sur les photothèques de chantier, les plans scannés, les vidéos de maintenance et les enregistrements de réunion, ces fichiers que personne ne retrouve aujourd'hui.
En résumé
- ✓ Un seul modèle pour six types de fichiers : texte, code, images, scans, vidéo et audio, cherchables avec une simple phrase.
- ✓ Ouvert et local : licence Apache 2.0, usage commercial libre, environ 567 Mo de mémoire en multimodal quantifié.
- ✓ Meilleur score publié parmi les modèles d'embedding multimodaux de moins d'un milliard de paramètres, selon Google. Pas premier toutes tailles confondues.
- ✓ Aucun gain en texte pur face à la v1 (61,36 contre 61,15 sur MTEB multilingue). Le progrès est sur le multimodal et le code.
- ✓ À valider sur vos fichiers : 8 192 tokens par entrée, qualité en français et sur votre vocabulaire métier à mesurer avant de déployer.
Qu'est-ce qu'EmbeddingGemma 2 change par rapport à la v1 ?
La première version d'EmbeddingGemma ne lisait que du texte. EmbeddingGemma 2 ajoute la vision, la vidéo et l'audio, et progresse nettement sur le code. Sur le texte, il fait jeu égal avec son prédécesseur.
La v1 a été très adoptée. Sahil Dua et Henrique Schechter Vera, ingénieurs de recherche chez Google DeepMind, expliquent à SiliconANGLE que son adoption, plus de 20 millions de téléchargements, a « largement dépassé leurs attentes ». La v2 garde le même cœur texte de 270 millions de paramètres et lui greffe deux encodeurs : 170 millions de paramètres pour la vision, 300 millions pour l'audio. Une application qui ne cherche que dans du texte peut se passer des deux.
| EmbeddingGemma (v1) | EmbeddingGemma 2 | |
|---|---|---|
| Types de fichiers | Texte | Texte, code, images, scans, vidéo, audio |
| Paramètres | Environ 300 millions | 740 millions (270 texte, 170 vision, 300 audio) |
| MTEB multilingue v2 (texte) | 61,15 | 61,36 |
| MTEB Code | 68,76 | 78,68 |
| MMEB v2 (images, documents visuels, vidéo) | Non applicable | 59,01 (vidéo seule : 50,67) |
| MAEB (audio) | Non applicable | 49,39 |
| Licence | Licence Gemma | Apache 2.0 |
Tous ces scores sont publiés par Google, sur la fiche Hugging Face du modèle. Ils placent EmbeddingGemma 2 en tête des modèles d'embedding multimodaux de moins d'un milliard de paramètres. Ce n'est pas le premier du classement MTEB toutes tailles confondues : des modèles bien plus gros font mieux, au prix d'un serveur GPU. L'intérêt d'EmbeddingGemma 2 est ce rapport entre qualité et taille, pas un record absolu.
Pour un acheteur, la licence compte autant que les scores : Apache 2.0 est connue des services juridiques et autorise l'usage commercial sans condition particulière.
Comment chercher une photo ou une vidéo avec une simple phrase ?
Un modèle d'embedding transforme chaque fichier en une suite de nombres qui résume son sens. Deux fichiers qui parlent de la même chose obtiennent des nombres proches, même si l'un est une photo et l'autre une phrase. C'est ce qui permet la recherche d'image par texte : votre requête et vos photos sont comparées dans le même espace.
Pour le décideur, une conséquence pratique : plus besoin de légender ou de renommer les fichiers pour les retrouver. Une photo nommée IMG_4821.jpg dans un dossier « Divers 2024 » devient retrouvable par ce qu'elle montre. Le fonctionnement des vecteurs et du calcul de similarité est détaillé sur ianas.fr, dans l'article comprendre les embeddings et leur rôle dans un RAG.
Ce que permet concrètement un seul espace partagé entre six types de fichiers :
- Une phrase retrouve une image. « Câblage non conforme dans une armoire électrique » renvoie les photos qui montrent ce défaut.
- Une phrase retrouve un moment de vidéo. « Démontage de la pompe P12 » pointe le segment de la vidéo de maintenance où l'opération est filmée.
- Une phrase retrouve un passage audio. « Réunion où on a parlé du retard fournisseur » remonte l'extrait d'enregistrement, sans transcription préalable.
- Une image retrouve des documents. La photo d'une pièce défectueuse renvoie la fiche technique et les rapports d'intervention qui la concernent.
- Une entrée peut mélanger texte et images. Une fiche produit (photo plus description) est résumée en un seul vecteur.
Une précision importante. EmbeddingGemma 2 retrouve les fichiers, il ne les lit pas pour vous. Pour obtenir une réponse rédigée (« quelle est la cote de cette trémie ? »), il faut ensuite confier les fichiers retrouvés à un modèle de vision, ce qu'on appelle un RAG multimodal sur images, PDF et tableaux. Si votre besoin est d'abord de retrouver vite le bon fichier, notre guide du moteur de recherche interne avec IA pose les options, de l'outil du marché au sur mesure.
Quels cas d'usage par métier pour la recherche multimodale ?
Les gains les plus nets se trouvent là où l'entreprise accumule des fichiers visuels ou sonores que personne ne classe.
| Métier | Fichiers concernés | Exemple de requête | Ce que ça évite |
|---|---|---|---|
| BTP, bureaux d'études | Photos de chantier, plans scannés, PV de réception | « infiltration au pied d'une menuiserie extérieure » | Fouiller des milliers de photos pour une réserve ou un litige |
| Industrie, maintenance | Vidéos de démontage, schémas, rapports d'intervention avec photos | « remplacement du joint sur la pompe P12 » | Refaire filmer une opération déjà documentée, dépendre d'un seul technicien |
| E-commerce, distribution | Catalogue produits avec photos, retours clients illustrés | Photo envoyée par un client, ou « chaise en chêne clair sans accoudoirs » | Identifier la référence à la main dans un catalogue de milliers d'articles |
| Juridique | Pièces scannées, constats, courriers numérisés | « constat d'huissier avec photos du dégât des eaux » | Ouvrir un à un les scans d'un dossier volumineux |
| Toutes équipes | Enregistrements de réunion, webinaires internes | « moment où on a validé le changement de fournisseur » | Réécouter une heure d'enregistrement pour une décision |
Dans le BTP, la photothèque de chantier est souvent le fichier le plus volumineux et le moins exploitable de l'entreprise. Retrouver la bonne photo au moment d'un litige change la discussion, c'est l'enjeu de notre article sur la documentation photo de chantier par IA.
Dans l'industrie, le savoir-faire d'intervention vit dans des vidéos tournées au téléphone et dans la tête de quelques techniciens. Rendre ces vidéos cherchables par phrase complète une base documentaire technique classique, comme celles décrites dans notre article sur le RAG pour la documentation technique de maintenance.
Pourquoi faire tourner EmbeddingGemma 2 sur vos propres serveurs ?
Parce que les fichiers concernés sont rarement anodins. Photos de chantiers clients, plans, vidéos de procédés industriels, enregistrements de réunions internes : ce sont précisément les données qu'une entreprise hésite à envoyer à un service en ligne. EmbeddingGemma 2 se télécharge et tourne entièrement chez vous.
Trois chiffres rendent ce déploiement local réaliste :
- Environ 191 Mo de mémoire pour le cœur texte quantifié, et environ 567 Mo avec la vision et l'audio, selon les mesures publiées sur smartphone.
- 768 dimensions par vecteur, réductibles à 512 ou 256 quasiment sans perte selon Google. À 256 dimensions, un vecteur pèse environ 1 Ko au lieu de 3 Ko, soit 100 Mo d'index pour 100 000 fichiers au lieu de 300 Mo.
- Les outils standards le prennent en charge dès la sortie : Ollama, llama.cpp (format GGUF), sentence-transformers 6.1 et plus, transformers, vLLM, LM Studio, MLX et transformers.js dans le navigateur.
Concrètement, la recherche au quotidien tient sur un serveur interne modeste ou un poste de travail, sans GPU dédié pour des volumes de PME. L'étape lourde est l'indexation initiale : passer 200 000 photos ou 500 heures de vidéo dans le modèle prend du temps de calcul, et c'est elle qui dimensionne la machine, pas l'usage courant.
Local ne veut pas dire exempt de règles. Des photos où apparaissent des personnes ou des enregistrements de réunion restent des données personnelles au sens du RGPD : information des personnes, durée de conservation et droits d'accès s'appliquent, que le modèle tourne chez vous ou ailleurs.
Vos fichiers ne doivent pas quitter l'entreprise ?
On déploie la recherche et l'assistant sur votre infrastructure, avec des modèles ouverts comme EmbeddingGemma 2, et les droits d'accès de vos équipes respectés à la lettre.
Quelles sont les limites d'EmbeddingGemma 2 avant de lancer un projet ?
Un bon modèle d'embedding ne fait pas un bon moteur de recherche. Voici ce qu'il faut savoir avant de promettre à vos équipes qu'elles retrouveront tout.
8 192 tokens par entrée : il faut découper
Chaque entrée est limitée à 8 192 tokens, partagés entre tous les types de contenu. D'après la fiche du modèle, cela représente environ 29 images, 58 images de vidéo (à une image par seconde, soit à peine une minute) ou 327 secondes d'audio. Une vidéo de maintenance de vingt minutes ou une réunion d'une heure doivent donc être découpées en segments, indexés séparément, avec leur horodatage pour renvoyer au bon moment.
Même logique pour un plan A0 scanné. Résumé en une seule image, ses annotations fines risquent de se perdre. On le découpe en zones, chacune indexée avec sa position sur le plan. Ce découpage est l'essentiel du travail d'un projet, bien plus que le choix du modèle.
Une qualité à mesurer sur vos fichiers et en français
Les scores multimodaux publiés sont des moyennes sur des jeux de test publics, majoritairement en anglais. Personne ne sait encore comment le modèle se comporte sur vos photos de chantier mal cadrées, vos schémas annotés à la main ou votre jargon de métier. La fiche Hugging Face signale d'ailleurs que les biais des données d'entraînement peuvent dégrader les résultats de façon inégale selon les langues. Ne réduisez pas non plus les vecteurs à 128 dimensions : la qualité multimodale chute nettement, selon Google.
Le reste du système ne s'installe pas tout seul
Le modèle produit des vecteurs. Il faut encore une base vectorielle pour les stocker et les interroger (notre comparatif des bases de données vectorielles aide à choisir), une chaîne d'indexation qui suit les nouveaux fichiers, une interface que vos équipes ont envie d'utiliser, et le respect des droits d'accès existants. Une recherche qui montre les photos du dossier RH à tout le monde est un incident, pas une fonctionnalité.
Deux derniers points. Les métadonnées gardent leur rôle : chantier, date, auteur et client permettent de filtrer là où la ressemblance visuelle seule confond deux chantiers similaires. Et changer de modèle d'embedding oblige à recalculer tout l'index. Si votre recherche actuelle ne porte que sur du texte et fonctionne, la v2 n'apporte presque rien (61,36 contre 61,15), sauf si vous cherchez aussi dans du code.
Comment monter un premier projet de recherche multimodale qui tient ?
La méthode qui marche est la même que pour tout projet de recherche interne : commencer petit, mesurer sur de vraies requêtes, élargir seulement si le résultat tient.
| Étape | Ce qu'on fait | Ce qu'on vérifie |
|---|---|---|
| 1. Choisir un fonds | Un seul type de fichier et un seul usage (photos de chantier pour les litiges, vidéos de maintenance d'une ligne) | Qu'une équipe identifiée cherche réellement ces fichiers chaque semaine |
| 2. Collecter de vraies requêtes | Une trentaine de recherches formulées par les utilisateurs, avec le fichier attendu pour chacune | Que les requêtes ressemblent à l'usage réel, pas à une démonstration |
| 3. Indexer un échantillon | Quelques milliers de fichiers, découpés et accompagnés de leurs métadonnées | Le temps d'indexation, la taille de l'index, le découpage des vidéos et des plans |
| 4. Mesurer | Le bon fichier apparaît-il dans les cinq premiers résultats, et à quelle fréquence | Le résultat comparé à la recherche actuelle et, si besoin, à un autre modèle |
| 5. Élargir | Tout le fonds, puis un second type de fichier, avec une interface et les droits d'accès | L'usage réel au bout d'un mois : qui cherche, quoi, et qui retrouve |
Si le score sur vos requêtes reste insuffisant après un bon découpage, deux pistes existent avant de changer d'outil : enrichir les métadonnées, ou adapter le modèle à votre domaine. Le principe est expliqué dans notre article sur le fine-tuning d'un modèle d'embeddings sur votre métier, et un modèle sous licence Apache 2.0 se prête bien à cet exercice.
Point terrain Tensoria
Sur les projets de recherche documentaire, le modèle d'embedding est rarement ce qui fait échouer. Ce sont le découpage des fichiers, l'absence de métadonnées et des requêtes de test qui ne ressemblent pas à l'usage réel. Un modèle multimodal léger et ouvert supprime surtout une excuse : celle de laisser photos, plans et vidéos hors du périmètre parce qu'ils étaient trop chers ou trop sensibles à traiter.
Vous avez déjà une recherche interne ou un RAG en production ?
On rejoue vos vraies requêtes sur votre modèle actuel et sur EmbeddingGemma 2, et vous voyez ce que l'ajout des images, des vidéos ou de l'audio change réellement avant de réindexer quoi que ce soit.
Pour aller plus loin
- Le cadre d'ensemble, dans notre guide du RAG en entreprise.
- La génération de la réponse une fois les fichiers retrouvés, avec le RAG multimodal sur images, PDF et tableaux.
- Le choix d'un outil de recherche interne, dans notre guide du moteur de recherche interne avec IA.
- Côté modèle de génération, notre analyse de Mistral Large 4 en entreprise, l'alternative française pour générer les réponses.
