谷歌最新开源的 EmbeddingGemma 向量模型，凭借仅 0.3B 的参数量，实现了高效的多语言文本嵌入能力。该模型支持离线和本地运行，能够有效保护数据隐私，同时兼容多种主流推理框架。本教程将带你全面了解 EmbeddingGemma 的核心特性、架构优势、MRL 灵活度机制，并附上完整的 RAG 实战代码，助你快速上手这一轻量级嵌入模型。

1. 核心特性与优势

EmbeddingGemma 的设计目标是在常见设备（如手机、笔记本电脑、台式机）上高效运行，同时在 MTEB / MMTEB 等评测任务中保持与同类模型相近的竞争性能。以下是它的核心价值与关键优势：

• 模型规模与上下文长度：参数量约为 308M，支持最长 2K tokens 的上下文窗口，默认输出向量维度为 768。
• 多语言支持：训练语料涵盖 100 多种语言，可满足全球化场景下的多语言文本嵌入需求。
• MRL（嵌套表示学习）：支持将 768 维的嵌入向量截断为 512/256/128 等更短维度，兼顾效率与效果，在资源受限场景下依然保持可用性。
• 工程优化：支持量化感知训练（QAT）与设备端优化，量化后模型大小可控制在 200MB 以内，便于在移动端和边缘设备上部署。