ما هو EmbeddingGemma 2؟ نموذج مفتوح للذكاء الاصطناعي متعدد الأنماط

EmbeddingGemma 2 هو نموذج تضمين مفتوح المصدر أطلقته جوجل ديب مايند في 6 أكتوبر 2026. يحوّل النصوص والأكواد والصور والفيديو والصوت إلى فضاء واحد مشترك، ويعمل بحجم يسمح بتشغيله على هاتف أو حاسوب محمول. هذا يعني أن البحث الذكي داخليًا صار ممكنًا دون إرسال بياناتك إلى سيرفرات بعيدة، وهي نقطة تهم كل من يتعامل مع معلومات حساسة.

الفكرة الأساسية خلف نموذج التضمين

التضمين هو عملية تحويل المحتوى إلى أرقام يفهمها الحاسوب. عندما يُحوَّل النص أو الصورة إلى سلسلة من الأرقام، يستطيع الحاسوب أن يقارن بين عنصرين ويرى مدى تشابههما.

النموذج السابق كان يتعامل مع النص وحده بشكل أساسي. EmbeddingGemma 2 يوسّع هذا النطاق إلى خمسة أنواع: النص والكود والصورة والفيديو والصوت، كلها تتحول إلى نفس الفضاء الرقمي.

النتيجة العملية أنك تستطيع أن تبحث بصوتك عن مقطع فيديو، أو تستعلم بنص مكتوب عن تسجيل صوتي طويل. الاختلاف في نوع البيانات لم يعد يشكّل حاجزًا.

هذا الفهم مهم لأن النموذج ليس مساعدًا يكتب لك الردود، بل طبقة تحتية تعمل في الخلفية لتنظيم معلوماتك والوصول إليها بسرعة.

المعمارية والحجم وكيف يعمل على الأجهزة الصغيرة

النموذج مبني على معمارية Gemma 4، ويضم 740 مليون معامل. الرقم قد يبدو كبيرًا، لكنه صغير نسبيًا مقارنة بنماذج التضمين المتخصصة الأكبر حجمًا.

التصميم المهم هنا هو فصل أجزاء النموذج. هناك جزء للنص والكود بحجم 270 مليون معامل، وجزء للصور بحجم 170 مليونًا، وجزء للصوت بحجم 300 مليون. يستطيع المطوّر تحميل الجزء الذي يحتاجه فقط.

إن كنت تعمل بالنص والكود، تحمّل 270 مليون معامل. وإذا أضفت الصور، يصل الرقم إلى 440 مليونًا. ومع الصوت يصل إلى 570 مليونًا. النسخة الكاملة متعددة الأنماط تستخدم النموذج بأكمله.

كل هذه الإعدادات تتشارك الفضاء البصري نفسه، وهذا يعني أن النتائج تبقى متوافقة مهما اخترت من أجزاء. من يعمل على جهاز محدود الموارد يستطيع البدء بالحد الأدنى والتوسع لاحقًا.

استهلاك الذاكرة منخفض بشكل ملحوظ. على هاتف حديث، يحتاج الجزء النصي وحده إلى نحو 191 ميجابايت من الذاكرة النشطة، والنسخة الكاملة متعددة الأنماط تصل إلى نحو 567 ميجابايت.

ما يقدمه من نصوص وأكواد وصور وصوت

قدرات النموذج تتنوع بحسب أنواع البيانات التي تدخلها.

في النصوص، النموذج يدعم أكثر من مئة لغة، وهو مصمم للتعامل مع لغات متعددة ضمن الفضاء نفسه. هذا يفتح الباب لبناء أدوات بحث تعمل عبر لغات مختلفة.

في الأكواد، ارتفعت نتائج التفكير من 68.76 إلى 78.68، بحسب أرقام جوجل. هذا التطور يفيد من يبني مساعدًا برمجيًا يعتمد على البحث الدلالي داخل قواعد الشيفرة.

في الصور والفيديو، يستطيع النموذج استرجاع مقطع فيديو محدد أو صورة معينة بناءً على وصف نصي. أما في الصوت، فيتيح البحث داخل تسجيلات صوتية طويلة.

من يبني تطبيقًا للبحث داخل أرشيف شخصي من الصور والتسجيلات سيجد أن هذا النموذج يبسّط المهمة بشكل كبير.

ضغط المتجهات وتوفير المساحة

النموذج ينتج متجهات بأبعاد 768 بشكل أصلي. بفضل طريقة رياضية تُسمى Matryoshka، يستطيع المطوّر ضغط هذه المتجهات إلى 512 أو 256 أو 128 بُعدًا.

الفائدة مباشرة: تخزين مليون متجه بأبعاد كاملة يستهلك نحو 1.5 جيجابايت، بينما بأبعاد 128 يستهلك نحو 250 ميجابايت فقط. هذا فرق يهم أي مشروع يتعامل مع ملايين العناصر.

جودة النتائج تبقى شبه كاملة عند 256 بُعدًا. عند 128 بُعدًا، تحافظ النصوص والأكواد على نحو 90 بالمئة من الجودة، لكن البيانات المتعددة الأنماط تتراجع إلى نحو 75 بالمئة.

القاعدة العملية بسيطة: إن كان عملك نصيًا بحتًا، فالضغط القوي مقبول. وإن كنت تخلط الصور والصوت، فالأفضل الاحتفاظ بأبعاد أكبر.

الترخيص مفتوح بموجب Apache 2.0، والأوزان متاحة على منصات عامة. هذا يعني أن أي مطوّر يستطيع تنزيل النموذج واستخدامه داخل مشروعه دون قيود تجارية معقّدة.

الحدود التي يجب الانتباه إليها قبل الاعتماد عليه

النموذج نموذج تضمين مُدرَّب مسبقًا، لكنه لم يخضع لتعديل توافقي أو ضبط أماني على مستوى المخرجات. هذا يعني أن مسؤولية الفلترة والضمانات تقع على المطوّر الذي يبنيه.

هناك تحذير تقني مهم: نطاق تنشيط النموذج يتجاوز مدى float16، ما قد ينتج قيمًا غير صالحة أو تضمينات ضعيفة الجودة. لذلك يجب استخدام bfloat16 أو float32 أثناء التشغيل، وهي نقطة تقنية يحتاج إليها من ينشر النموذج.

اللغات مدعومة بأكثر من مئة لغة، لكن الأداء ليس متساويًا بينها. من يعمل بلغة معينة يحتاج إلى اختبار النتائج فعليًا بدلًا من الاعتماد على الوعود العامة.

هذه الحدود لا تلغي قيمة النموذج، لكنها توضح أنه أداة للمطوّرين لا منتج جاهز للمستخدم العادي. من يفهم طبقة البناء هذه يستطيع أن يستخرج منها أفضل النتائج.

لمن يناسب هذا النموذج من المطوّرين

EmbeddingGemma 2 موجه بشكل أساسي للمطوّرين الذين يبنون أدوات بحث أو أنظمة استرجاع معلومات داخل أجهزة المستخدمين. إن كنت تبني تطبيقًا يحتاج إلى فهرسة ملفات محلية، فهذا النموذج مصمم لهذه الحالة.

الشركات التي تهتم بالخصوصية تجد في النموذج حلًا يجعل البيانات تبقى على الجهاز. هذا يعني أن المعلومات الحساسة لا تغادر هاتف المستخدم أو حاسوبه، وهو ما يجعل EmbeddingGemma 2 خيارًا مناسبًا في تطبيقات الذكاء الاصطناعي الحساسة للبيانات.

من يعمل على مشاريع صغيرة لا يحتاج إلى بنية تحتية سحابية يجد في النموذج أداة خفيفة يمكن تشغيلها محليًا، بالأبعاد المناسبة لحجم مشروعه.

يمكنك البدء بتجربة النموذج عبر تنزيل الأوزان من المنصات العامة، ثم تجربة فهرسة مجموعة ملفات محلية والبحث فيها. هذا التطبيق البسيط سيكشف لك مباشرة ما إذا كان EmbeddingGemma 2 يناسب مشروعك أم لا.

ملاحظة التحديث:EmbeddingGemma 2، نموذج تضمين مفتوح بأبعاد 740 مليون معامل وترخيص Apache 2.0، أطلقته جوجل ديب مايند في 6 أكتوبر 2026.