EmbeddingGemma
Google发布的轻量级Gemma系文本嵌入模型，面向端侧与多语言场景，支持Matryoshka维度截断。
最后核实：
https://huggingface.co/google/embeddinggemma-300m特点与限制
主要特点
- 308M参数（论文口径；模型卡按300M介绍），基于Gemma 3骨干（T5Gemma初始化）
- 输出768维向量，可按MRL截断到512/256/128维
- 最大输入2048 tokens
- 官方称支持100+种口语语言
- 模型卡另给出QAT量化检查点（Q4_0/Q8_0等）的官方成绩
使用边界
- 模型卡注明EmbeddingGemma激活不支持float16，需使用float32或bfloat16。
- 权重按Gemma Terms of Use授权（非Apache/MIT）；HF仓库为手动审核门控，再分发需满足条款条件（如向第三方提供时附带协议与Notice文本）。
- 2048 tokens输入上限短于长文档检索场景；官方成绩为发布方自评，本站未复现。
模型信息
- 家族与版本
- Gemma / EmbeddingGemma
- 输入与输出
- 文本 → 向量
- 公开参数规模
- 0.308B（以以下来源口径为准）
- 激活 / 有效参数
- 未提供 / 未提供
- 参数口径
- 技术报告称该型号为308M参数（正文“novel, 308M parameter embedding model”并与Table 6对照表中的308M一致）；HF模型卡与Google文档按“300M parameter”口径介绍。本记录采用论文数值并保留两种官方口径。 参数来源
- 原生上下文
- 2,048 tokens
- 扩展上下文
- 未提供
- 语言声明
- 多语言（模型卡：训练数据覆盖100+种口语语言）；语言支持不代表对应语言的评测水平。
- 权重许可
- Gemma Terms of Use
- 代码许可
- 未核实
- 训练资料
- 模型卡披露训练数据约3200亿tokens，覆盖100多种语言的网页文本、代码与技术文档以及合成/任务特定数据，并说明CSAM过滤、敏感数据过滤与内容质量安全过滤；未公开完整数据清单。
能力依据
模型变体：专用版；家族与版本：Gemma / EmbeddingGemma
向量检索
MTEB (Multilingual, v2) · Mean (Task)61.15分（0–100）MTEB Multilingual v2 任务集 · 多语言MTEB (English, v2) · Mean (Task)69.67分（0–100）MTEB English v2 任务集 · 英语MTEB (Code, v1) · Mean (Task)68.76分（0–100）MTEB Code v1 任务集 · 代码查看评估与来源收起补充信息
向量检索
MTEB (Multilingual, v2) · Mean (Task)61.15分（0–100）MTEB Multilingual v2 任务集 · 多语言
MTEB (English, v2) · Mean (Task)69.67分（0–100）MTEB English v2 任务集 · 英语
MTEB (Code, v1) · Mean (Task)68.76分（0–100）MTEB Code v1 任务集 · 代码
发布方模型卡报告全精度768维成绩：MTEB Multilingual v2 Mean (Task) 61.15、MTEB English v2 69.67、MTEB Code v1 68.76，并给出维度截断与QAT量化后的对照数值。三项为发布方自评，本站未复现；检索与端侧部署还需考虑2048 tokens上限、Gemma条款门控与float16限制。
已有依据支持
- 同一张表给出768d/512d/256d/128d的MRL截断与QAT量化结果，便于评估端侧取舍。
- 覆盖多语言、英语与代码三类MTEB任务集。
- 模型卡披露训练数据规模、语言覆盖与数据过滤流程。
证据限制
- 成绩由模型发布方运行；MTEB结果仓库另有该型号的社区提交记录（revision 57c266a7），执行者与运行配置未核实，本页未导入。
- 模型卡提示使用按任务设计的提示模板（task: ... | query: / title: ... | text:），未按官方提示使用可能低于表列分数。
- 评测运行日期、模型revision与硬件未披露；本站未复现。
MTEB (Multilingual, v2) · Mean (Task)
61.15 分（0–100）官方报告 · Google DeepMind（模型发布方）官方自测
展开评测条件与来源
- 模型标识 / 修订
- google/embeddinggemma-300m / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- MTEB Multilingual v2 任务集 / 未提供
- 基准 / 报告版本
- EmbeddingGemma模型卡 Benchmark Results（Full Precision Checkpoint，768d）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；模型卡Full Precision Checkpoint表报告768维时Mean (Task)为61.15、Mean (TaskType)为54.31；同表另给出512d/256d/128d截断与QAT量化结果，本记录只取768d全精度。表未披露评测运行日期、模型revision与硬件条件；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- google-deepmind / google-embeddinggemma-model-card
- 来源
- https://huggingface.co/google/embeddinggemma-300m
- 来源使用说明
- 引用来源；许可：未提供；仅引用Google官方模型卡表中的少量成绩并保留来源链接；不复制整表或基准数据，MTEB与数据集继续适用各自许可。 查看说明
- 比较状态
- 不可比：来源未披露足以复现和统一对齐的完整模型revision、提示模板与运行条件；该结果仅记录发布方模型卡口径，不加入跨型号比较组。
MTEB (English, v2) · Mean (Task)
69.67 分（0–100）官方报告 · Google DeepMind（模型发布方）官方自测
展开评测条件与来源
- 模型标识 / 修订
- google/embeddinggemma-300m / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- MTEB English v2 任务集 / 未提供
- 基准 / 报告版本
- EmbeddingGemma模型卡 Benchmark Results（Full Precision Checkpoint，768d）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；模型卡Full Precision Checkpoint表报告768维时Mean (Task)为69.67、Mean (TaskType)为65.11；同表另给出512d/256d/128d截断与QAT量化结果，本记录只取768d全精度。表未披露评测运行日期、模型revision与硬件条件；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- google-deepmind / google-embeddinggemma-model-card
- 来源
- https://huggingface.co/google/embeddinggemma-300m
- 来源使用说明
- 引用来源；许可：未提供；仅引用Google官方模型卡表中的少量成绩并保留来源链接；不复制整表或基准数据，MTEB与数据集继续适用各自许可。 查看说明
- 比较状态
- 不可比：来源未披露足以复现和统一对齐的完整模型revision、提示模板与运行条件；该结果仅记录发布方模型卡口径，不加入跨型号比较组。
MTEB (Code, v1) · Mean (Task)
68.76 分（0–100）官方报告 · Google DeepMind（模型发布方）官方自测
展开评测条件与来源
- 模型标识 / 修订
- google/embeddinggemma-300m / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- MTEB Code v1 任务集 / 未提供
- 基准 / 报告版本
- EmbeddingGemma模型卡 Benchmark Results（Full Precision Checkpoint，768d）
- Few-shot / 输出上限
- 未提供 / 未提供 tokens
- 提示模板 / 设置
- 未提供；模型卡Full Precision Checkpoint表报告768维时Mean (Task)为68.76（同列Mean (TaskType)同为68.76）；同表另给出512d/256d/128d截断与QAT量化结果，本记录只取768d全精度。表未披露评测运行日期、模型revision与硬件条件；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-17
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- google-deepmind / google-embeddinggemma-model-card
- 来源
- https://huggingface.co/google/embeddinggemma-300m
- 来源使用说明
- 引用来源；许可：未提供；仅引用Google官方模型卡表中的少量成绩并保留来源链接；不复制整表或基准数据，MTEB与数据集继续适用各自许可。 查看说明
- 比较状态
- 不可比：来源未披露足以复现和统一对齐的完整模型revision、提示模板与运行条件；该结果仅记录发布方模型卡口径，不加入跨型号比较组。
运行条件与获取
Sentence Transformers
系统支持未提供 · Safetensors · 未指定量化
官方支持；本站尚未进行推理验证。
硬件：未核实。本站未实测；内存、显存和速度取决于运行时、精度（官方提示勿用float16）、输入长度与硬件，不将参数量或文件大小换算为资源保证。
内存：未核实；显存：未核实。
依赖：sentence-transformers、transformers（Gemma 3实现）。
STEP 01 安装 Sentence Transformers
按模型卡Usage章节安装依赖；模型卡指定使用Hugging Face Transformers的Gemma 3实现作为骨干。
pip install -U sentence-transformersSTEP 02 在Hugging Face接受条款并加载模型
该仓库为手动审核门控（gated: manual），下载前需在HF页面接受Gemma Terms of Use；随后按官方示例用SentenceTransformer("google/embeddinggemma-300m")加载并分别encode_query与encode_document；本站未下载权重或执行模型。