EmbeddingGemma 2. Google élargit la recherche IA en local

Google a annoncé EmbeddingGemma 2 le 6 octobre 2026. Ce modèle transforme des contenus en représentations numériques pour aider une application à retrouver des informations proches de sa demande. Il accepte plusieurs formats et peut fonctionner sur du matériel grand public. Son intérêt se trouve en amont de la réponse d’un assistant. Avant de rédiger une synthèse utile, une IA doit souvent retrouver les bonnes sources. Cette annonce éclaire cette étape moins visible que la génération de texte.

Comprendre un embedding sans entrer dans les mathématiques

Un embedding est une liste de nombres qui représente un contenu. Une application compare ces listes pour classer des éléments selon leur proximité. Le modèle apprend cette représentation pendant son entraînement. Le résultat donne un moyen de chercher autrement qu’avec les seuls mots exacts présents dans un fichier.

Imaginons une recherche sur la manière de mettre fin à un contrat. Un document utile peut employer le mot résiliation sans reprendre la formulation de la question. Une recherche par proximité de sens peut aider à le retrouver. Cet exemple explique le principe. Il ne constitue pas un test réalisé avec EmbeddingGemma 2 ni une promesse de retrouver chaque document pertinent.

Relier le texte aux images et aux enregistrements

EmbeddingGemma 2 place le texte et le code ainsi que les images et les contenus audio ou vidéo dans un espace de comparaison commun. Une demande formulée en texte peut donc servir à retrouver un autre type de contenu. Le guide développeur de Google présente des exemples de recherche entre formats et de contenus combinés.

Un exemple dans une bibliothèque de documents

Une bibliothèque peut contenir une procédure écrite et des schémas qui l’accompagnent. Une personne cherche le passage sur le remplacement d’une pièce. L’application peut comparer sa demande aux éléments indexés puis lui proposer des sources à ouvrir. La recherche reste une étape de sélection. La personne doit encore examiner le schéma et vérifier qu’il concerne la bonne version du matériel. Le modèle ne transforme pas une ressemblance en certitude.

Dans une chaîne RAG, la recherche fournit des passages à un modèle génératif qui rédige ensuite une réponse. RAG désigne cette génération aidée par des sources retrouvées. EmbeddingGemma 2 peut jouer le premier rôle tandis qu’un autre modèle assure le second. Confondre ces étapes ferait croire qu’un modèle de recherche répond lui-même aux questions ou vérifie chaque affirmation.

Un modèle ouvert qui peut fonctionner en local

La fiche officielle décrit 740 millions de paramètres au total. Le composant pour le texte compte 270 millions de paramètres. Les composants visuel et audio peuvent compléter cette base selon les formats nécessaires. Cette construction évite de charger systématiquement l’ensemble pour une recherche qui porte seulement sur du texte.

Google publie le modèle sous licence Apache 2.0. Le dépôt officiel sur Hugging Face propose ses fichiers et des exemples d’intégration. Il s’agit d’un composant pour développer une application. Sa présence dans ce dépôt ne signifie pas que tous les utilisateurs de Gemini disposent déjà d’un nouveau bouton de recherche dans leur compte.

Le fonctionnement local peut réduire les transferts de contenus vers un serveur distant. Mais il faut regarder l’application entière. Une application peut calculer ses représentations sur l’appareil puis utiliser un service externe pour rédiger la réponse. Les sauvegardes et les autres fonctions comptent aussi. Le seul nom du modèle ne décrit donc pas le parcours de toutes les données.

Des démonstrations disponibles et des intégrations annoncées

Le billet Google AI Edge présente Instant Media Search et Video Moments Finder dans son application de démonstration Gallery. Le premier sert à retrouver des images ou des vidéos dans une collection locale. Le second permet de chercher des moments dans une vidéo à partir d’une demande. Google décrit des calculs réalisés sur l’appareil.

Le même billet présente Foresight comme une application expérimentale pour Mac. Elle combine recherche locale et modèles génératifs pour travailler sur des notes et des contenus de réunion. L’intégration à ML Kit sur Android est annoncée pour les semaines suivantes. Il faut distinguer ces étapes. Une démonstration disponible ne prouve pas que toutes les intégrations promises sont déjà ouvertes.

La place des mesures et des limites

Google publie des évaluations sur plusieurs familles de tâches. Ce sont des résultats rapportés par l’éditeur. Ils ne constituent pas un essai indépendant réalisé pour cet article. Une progression sur la recherche de code ne permet pas de conclure que toutes les recherches audio ou documentaires progressent dans les mêmes proportions.

La documentation propose aussi de raccourcir les vecteurs de 768 dimensions à 512 ou 256 voire 128 dimensions. Ça réduit le volume stocké dans l’index. Ce choix peut toutefois dégrader la qualité de recherche. La réduction maximale annoncée ne garantit donc pas le même résultat pour chaque format. La qualité dépend également du contenu indexé et de la formulation de la demande.

Retrouver une source reste une étape à comprendre

EmbeddingGemma 2 élargit les possibilités de recherche locale entre plusieurs formats. Son apport devient plus clair quand on distingue retrouver une information et rédiger une réponse. Une source proche de la question peut rester ancienne ou incomplète. Le modèle aide à sélectionner des contenus. La lecture de leur sens et de leur fiabilité demande encore un examen. Aucun téléchargement des poids ni test de performance propre n’a été réalisé pour cet article.

Pour comprendre une autre façon de fournir des sources à un assistant, consultez notre article sur OpenAI et Atlassian.

Pour approfondir ces usages et la lecture des résultats avec David LACOUR, vous pouvez prendre contact.