EmbeddingGemma: Krachtige en Lichtgewicht Tekstrepresentaties

EmbeddingGemma: Powerful and Lightweight Text Representations

September 24, 2025

Auteurs: 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

Samenvatting

We introduceren EmbeddingGemma, een nieuw lichtgewicht, open tekstembeddingmodel gebaseerd op de Gemma 3-taalmodel familie. Ons innovatieve trainingsrecept vangt strategisch kennis van grotere modellen via encoder-decoder initialisatie en geometrische embeddingdistillatie. We verbeteren de robuustheid en expressiviteit van het model met een spread-out regularizer en zorgen voor generaliseerbaarheid door checkpoints te combineren uit gevarieerde, geoptimaliseerde mengsels. Geëvalueerd op de Massive Text Embedding Benchmark (MTEB) over meertalige, Engelse en code domeinen, behaalt EmbeddingGemma (300M) state-of-the-art resultaten. Opmerkelijk is dat het eerdere topmodellen, zowel propriëtair als open, overtreft met minder dan 500M parameters, en prestaties biedt die vergelijkbaar zijn met modellen van dubbele grootte, wat een uitzonderlijke prestatie-kostenverhouding biedt. Deze voorsprong blijft bestaan bij het kwantiseren van modelgewichten of het inkorten van embeddinguitvoer. Dit maakt EmbeddingGemma bijzonder geschikt voor gebruiksscenario's met lage latentie en hoge doorvoer, zoals toepassingen op apparaten. We bieden ablatiestudies die onze belangrijkste ontwerpkeuzes onderzoeken. We geven EmbeddingGemma vrij aan de gemeenschap om verder onderzoek te bevorderen.

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.