待验证50% 置信事实精确时间
EmbeddingGemma 2 支持四种模态之间的任意交叉检索，可用文字搜图片、用图片搜视频、用视频搜音频
1
来源数
50%
置信度
长期有效
时效性
2026/10/8
首次发现
来源
涉及实体
相关事实
部分验证EmbeddingGemma2除了文字和图片外还支持音频和视频，把不同模态内容都转换成768维向量75% 相似待验证EmbeddingGemma 2能够在同一个模型中处理文本、代码、图像、视频和音频等多种类型的任务73% 相似待验证EmbeddingGemma 2 首次把文本、代码、图像、视频和音频统一映射到同一个嵌入空间，并针对端侧优化支持本地部署 RAG71% 相似已验证当前主流多模态LLM通过视觉编码器（通常是CLIP或ViT系列）将图像转换为token序列，再经线性投影层或交叉注意力机制与文本空间对齐68% 相似待验证图像条件化方案通常借助CLIP视觉编码器（ViT架构）将参考图映射到与文本嵌入共享的语义空间，再通过交叉注意力（Cross-Attention）机制将视觉特征注入UNet的去噪过程68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/989089API
curl https://kongchang.com/api/v1/knowledge/claims/989089MCP
get_claim(id=989089)