EmbeddingGemma: Representaciones de Texto Potentes y Ligero

EmbeddingGemma: Powerful and Lightweight Text Representations

September 24, 2025

Autores: Henrique Schechter Vera, Sahil Dua, Biao Zhang, Daniel Salz, Ryan Mullins, Sindhu Raghuram Panyam, Sara Smoot, Iftekhar Naim, Joe Zou, Feiyang Chen, Daniel Cer, Alice Lisak, Min Choi, Lucas Gonzalez, Omar Sanseviero, Glenn Cameron, Ian Ballantyne, Kat Black, Kaifeng Chen, Weiyi Wang, Zhe Li, Gus Martins, Jinhyuk Lee, Mark Sherwood, Juyeong Ji, Renjie Wu, Jingxiao Zheng, Jyotinder Singh, Abheesht Sharma, Divya Sreepat, Aashi Jain, Adham Elarabawy, AJ Co, Andreas Doumanoglou, Babak Samari, Ben Hora, Brian Potetz, Dahun Kim, Enrique Alfonseca, Fedor Moiseev, Feng Han, Frank Palma Gomez, Gustavo Hernández Ábrego, Hesen Zhang, Hui Hui, Jay Han, Karan Gill, Ke Chen, Koert Chen, Madhuri Shanbhogue, Michael Boratko, Paul Suganthan, Sai Meher Karthik Duddu, Sandeep Mariserla, Setareh Ariafar, Shanfeng Zhang, Shijie Zhang, Simon Baumgartner, Sonam Goenka, Steve Qiu, Tanmaya Dabral, Trevor Walker, Vikram Rao, Waleed Khawaja, Wenlei Zhou, Xiaoqi Ren, Ye Xia, Yichang Chen, Yi-Ting Chen, Zhe Dong, Zhongli Ding, Francesco Visin, Gaël Liu, Jiageng Zhang, Kathleen Kenealy, Michelle Casbon, Ravin Kumar, Thomas Mesnard, Zach Gleicher, Cormac Brick, Olivier Lacombe, Adam Roberts, Yunhsuan Sung, Raphael Hoffmann, Tris Warkentin, Armand Joulin, Tom Duerig, Mojtaba Seyedhosseini

cs.AI

Resumen

Presentamos EmbeddingGemma, un nuevo modelo de embeddings de texto ligero y abierto basado en la familia de modelos de lenguaje Gemma 3. Nuestra innovadora receta de entrenamiento captura estratégicamente conocimiento de modelos más grandes mediante inicialización codificador-decodificador y destilación geométrica de embeddings. Mejoramos la robustez y expresividad del modelo con un regularizador de dispersión, y aseguramos generalizabilidad fusionando puntos de control de mezclas optimizadas y variadas. Evaluado en el Massive Text Embedding Benchmark (MTEB) en dominios multilingües, inglés y de código, EmbeddingGemma (300M) logra resultados de vanguardia. Notablemente, supera a los principales modelos anteriores, tanto propietarios como abiertos, con menos de 500M de parámetros, y ofrece un rendimiento comparable a modelos del doble de su tamaño, proporcionando una relación rendimiento-costo excepcional. Este liderazgo se mantiene al cuantizar los pesos del modelo o truncar las salidas de embeddings, lo que hace a EmbeddingGemma especialmente adecuado para casos de uso de baja latencia y alto rendimiento, como aplicaciones en dispositivos. Proporcionamos estudios de ablación que exploran nuestras decisiones clave de diseño. Liberamos EmbeddingGemma a la comunidad para fomentar más investigación.

English

We introduce EmbeddingGemma, a new lightweight, open text embedding model based on the Gemma 3 language model family. Our innovative training recipe strategically captures knowledge from larger models via encoder-decoder initialization and geometric embedding distillation. We improve model robustness and expressiveness with a spread-out regularizer, and ensure generalizability by merging checkpoints from varied, optimized mixtures. Evaluated on the Massive Text Embedding Benchmark (MTEB) across multilingual, English, and code domains, EmbeddingGemma (300M) achieves state-of-the-art results. Notably, it outperforms prior top models, both proprietary and open, with fewer than 500M parameters, and provides performance comparable to models double its size, offering an exceptional performance-to-cost ratio. Remarkably, this lead persists when quantizing model weights or truncating embedding outputs. This makes EmbeddingGemma particularly well-suited for low-latency and high-throughput use cases such as on-device applications. We provide ablation studies exploring our key design choices. We release EmbeddingGemma to the community to promote further research.