EmbeddingGemma 2, Google’ın 6 Ekim 2026’da yayımladığı, cihaz üzerinde arama uygulamaları geliştirmeye yönelik açık ağırlıklı yapay zekâ modelidir. Metin, kod, görsel, ses ve videoyu ortak bir sayısal temsil alanında buluşturuyor.
Yeni model, dosyaları yalnızca adlarına göre değil, anlamlarına göre bulmaya yardımcı olabiliyor. Peki EmbeddingGemma 2 ne işe yarar, ücretsiz mi ve geliştiriciler kendi uygulamalarında nasıl kullanabilir?
EmbeddingGemma 2 Nedir?
EmbeddingGemma 2, içeriklerden embedding adı verilen sayısal temsiller üreten bir modeldir. Google, modeli Gemma 4 mimarisi üzerine geliştirdi. Tam sürüm 740 milyon parametre içeriyor ve Apache 2.0 lisansıyla sunuluyor.
Google’ın açıklamasındaki 20 milyonun üzerindeki indirme sayısı, önceki EmbeddingGemma modeline ait. Bu rakam yeni sürümün indirme sayısı olarak değerlendirilmemeli.
Embedding Ne Demek?
Embedding, bir içeriği sayılardan oluşan bir vektörle temsil etme yöntemidir. Arama sistemi, sorgunun ve arşivdeki içeriklerin temsillerini karşılaştırarak uygun sonuçları sıralayabilir.
Örneğin “yağmurlu akşam sokak görüntüsü” arayan bir kullanıcı, dosya adında bu kelimeler bulunmasa da benzer bir sahneye ulaşabilir. Sonucun doğruluğu modelin yanında arşivin hazırlanmasına ve kullanılan arama yöntemine de bağlıdır.
ChatGPT veya Gemini Gibi Yanıt mı Yazar?
EmbeddingGemma 2’nin temel görevi içerikleri arama ve eşleştirme için temsil etmektir. Bir sohbet asistanındaki uzun yanıt üretimini tek başına üstlenmesi beklenmez. Google, yerel içerik bulma aşamasında EmbeddingGemma 2’nin, bağlama dayalı yanıt oluşturma aşamasında ise Gemma 4’ün kullanıldığı RAG akışlarını örnek gösteriyor.
RAG, yanıt üretmeden önce ilgili bilgileri bulup üretici modele sunan yaklaşımdır. Bir belge asistanında arama modeli ilgili bölümleri seçer; yanıt modeli bu bölümlerden yararlanarak açıklama oluşturur.
Hangi İşlerde Kullanılabilir?
Google’ın geliştirici belgeleri, farklı içerik türlerinin aynı vektör alanında karşılaştırılabildiğini açıklıyor:
Dokümanlar ve kaynak kodlar içinde anlam temelli arama,
metin sorgusuyla fotoğraf veya ses kaydı bulma,
video arşivinde belirli anları arama,
yerel bilgi arşivinden yararlanan yapay zekâ uygulamaları geliştirme.
🔗 DAHİLİ BAĞLANTI: yazılımda yapay zekâ modelleri → Claude Haiku 5.5 Nedir? API Fiyatı ve GitHub Copilot’ta Kullanımı
EmbeddingGemma 2 Ücretsiz mi?
Model ağırlıkları Apache 2.0 lisansıyla yayımlandı ve Google’ın resmî duyurusundan indirme kaynaklarına ulaşılabiliyor. Ticari kullanımda lisansın koşulları incelenmeli. Modeli indirmek ile bir uygulamayı işletmek farklı maliyet kalemleridir; donanım, depolama veya kiralanan sunucu ayrıca maliyet oluşturabilir.
Ne Kadar Bellek Gerekiyor?
Modelin modüler yapısı, kullanılmayan bileşenleri yüklememeye olanak veriyor:
Yapılandırma
Parametre sayısı
Metin ve kod
270 milyon
Metin ve görsel
440 milyon
Metin ve ses
570 milyon
Tam çok modlu sürüm
740 milyon
Google, nicemleme uygulanmış model ağırlıkları için Pixel 11 Pro üzerinde yaklaşık 191 MB metin odaklı ve 567 MB tam sürüm aktif RAM değerleri bildiriyor. Bunlar bütün uygulamanın bellek ihtiyacı veya her telefonda çalışma garantisi değildir. İndeks, çalışma ortamı ve diğer bileşenler de kaynak tüketir.
EmbeddingGemma 2 Nasıl Kullanılır?
Resmî geliştirici rehberi, Python tarafında sentence-transformers 6.1.0 veya üzerini örnekliyor. Model kimliği google/embeddinggemma-2.
Resmî model sayfasından lisansı ve çalıştırma gereksinimlerini inceleyin.
Arşivinizin içerik türlerine göre gerekli kodlayıcıları seçin.
İçeriklerin embedding’lerini üretip bir arama indeksinde saklayın.
Kullanıcının sorgusunu aynı uyumlu temsil alanına dönüştürün.
Benzerlik sonuçlarını kendi verinizle değerlendirin.
İlk denemede küçük bir arşiv kullanmak işleri kolaylaştırır. Örneğin yirmi belge ve on örnek sorguyla hangi sonuçların doğru bulunduğunu ölçebilirsiniz. Arşivi büyütmeden önce yanlış eşleşmeleri, yanıt süresini ve bellek tüketimini gözden geçirin.
Telefonda Denenebilir mi?
Google, Google AI Edge Gallery içinde Instant Media Search ve Video Moments Finder örneklerini gösteriyor. Bunlar sırasıyla medya arama ve videodaki anları bulma deneyimlerini incelemek için kullanılabilir. Uygulamanın güncel cihaz desteği ve model indirme koşulları kontrol edilmelidir.
İnternetsiz Çalışması Gizlilik İçin Ne Anlama Gelir?
Yerel embedding üretimi, içerikleri uzak bir sunucuya göndermeden arama sistemi kurmaya yardımcı olabilir. Ancak bütün uygulamanın çevrimdışı olduğunu ayrıca doğrulamak gerekir: depolama, analiz ve yanıt üretimi gibi başka aşamalar ağ kullanabilir.
🔗 DAHİLİ BAĞLANTI: ajanların dosya erişimini sınırlandırma → Microsoft MXC Nedir? Yapay Zekâ Ajanları Bilgisayarda Nasıl Güvenli Çalışır?
