Google a transformé « trouver des choses en local » en un petit modèle qui tient dans un téléphone. Son tout dernier EmbeddingGemma2 est le premier modèle d'embedding open source nativement multimodal de la société : avec 740M de paramètres, il mappe textes, code, images, vidéos et audios dans un même espace sémantique, permettant ainsi à la recherche intermodale de tourner pour la première fois avec une telle légèreté sur l'appareil.
L'atout le plus évident est sa petite taille et sa capacité à fonctionner hors ligne. Le modèle multimodal complet occupe moins de 600 Mo de mémoire, ce qui signifie qu'il peut fonctionner directement sur un téléphone, un ordinateur portable ou dans un navigateur, sans jamais devoir téléverser le moindre contenu vers le cloud — vos photos, enregistrements et vidéos restent recherchés sur votre propre appareil, la barrière de la confidentialité étant ainsi naturellement préservée. La fenêtre de contexte atteint 8K, soit quatre fois celle de la génération précédente, permettant d'ingérer des documents plus longs avant d'effectuer la correspondance ; la couverture linguistique s'étend également à plus de 100 langues, faisant de la recherche interlinguistique un obstacle révolu.
En termes de performances, Google affirme qu'il dépasse nettement les concurrents open source de même taille sur les tâches de recherche portant sur les images, les vidéos et le code. Détail encore plus pratique : sa conception modulaire permet de charger uniquement les parties nécessaires, et le volume de l'index peut être compressé, économisant ainsi aussi bien de l'espace que de la puissance de calcul. Dans des scénarios réels, ses applications sont très concrètes — retrouver sémantiquement une photo ou un média précis dans un album local, se positionner directement sur un fragment précis dans une longue vidéo, rechercher hors ligne des fichiers dispersés un peu partout, ou encore chercher des fonctions et extraits par intention dans une base de code locale, sans avoir à pousser le dépôt vers un service distant pour l'interroger.
Lorsqu'un modèle d'embedding multimodal devient assez petit pour tenir dans un téléphone et assez ouvert pour que chacun puisse le modifier, le centre de gravité de la recherche IA se déplace discrètement de « confier ses données au cloud » vers « garder les capacités sur l'appareil ». Avec ce pas, Google ouvre une brèche dans la recherche IA respectueuse de la vie privée sur l'appareil.