Deine App kann jetzt Text, Bilder und Audio gemeinsam durchsuchen — kostenlos
Google hat ein kostenloses Open-Source-KI-Modell veröffentlicht, das Text, Bilder, Video und Audio als ein gemeinsames System versteht und damit leistungsstarke multimodale Suche für jedes Team erschwinglich macht.
- 740M
- Parameter im vollständigen Modell
- 567 MB
- RAM für den Betrieb auf dem Smartphone
- 100+
- unterstützte Sprachen
- Oct 6, 2026
- Veröffentlichungsdatum
Wer je gewünscht hat, dass seine App gleichzeitig Dokumente, Fotos und Sprachaufnahmen durchsuchen kann, bekommt heute ein kostenloses Werkzeug von Google. Google DeepMind hat EmbeddingGemma 2 am 6. Oktober veröffentlicht — ein kleines, offenes KI-Modell, das Text, Bilder, Video und Audio gemeinsam als ein System versteht.
So funktioniert es: Das Modell liest beliebige Inhalte — einen Satz, ein Foto, einen Tonausschnitt — und wandelt sie in eine Liste von Zahlen um, die ihre Bedeutung erfasst. Zwei Dinge mit ähnlicher Bedeutung erhalten ähnliche Zahlen. Wenn ein Nutzer nach 'Hund bellt draußen' sucht, kann das Modell diese Anfrage mit einem passenden Foto, einem Audioclip und einer Textbeschreibung abgleichen — alles in einem einzigen Suchschritt, ohne drei separate Systeme.
Die praktischen Werte überzeugen ebenso: Das vollständige Modell benötigt nur rund 567 MB RAM — klein genug für ein modernes Smartphone. Es wird unter der Apache-2.0-Lizenz veröffentlicht, was bedeutet: Es ist für kommerzielle Produkte vollständig kostenlos nutzbar. Es unterstützt über 100 Sprachen und ist bereits auf Hugging Face und Kaggle verfügbar.
Die bisherige Methode für multimodale Suche erforderte separate KI-Modelle für jeden Medientyp, separate Indizes und eigenen Code zum Zusammenführen der Ergebnisse. Das bedeutete Kosten, Komplexität und API-Rechnungen. Jetzt erledigt ein einziges kleines, offenes Modell die gesamte Arbeit. Für jedes Team, das Suche, Empfehlungen oder Content-Matching entwickelt, ist das größte Hindernis weggefallen — es gibt keinen Grund mehr zu warten.