EmbeddingGemma 2: búsqueda multimodal por significado y el futuro de la memoria de agentes

Por Turing Post · Mon, 12 Oct 2026.

Este número de Turing Post se centra en EmbeddingGemma 2, el modelo de embeddings que Google lanzó la semana pasada, y lo conecta con el tema de la semana: la memoria de los agentes (y, por extensión, la nuestra). La autora lo plantea desde una premisa personal: olvida muchas cosas, y el problema real no es ese, sino la cantidad de información que tenemos que consumir.

Según el boletín, EmbeddingGemma 2 permite encontrar un vídeo a partir de una descripción hablada, buscar grabaciones de audio con una pregunta escrita o localizar imágenes parecidas a un boceto. Tiene 740 millones de parámetros, puede ejecutarse en el propio dispositivo y se distribuye bajo licencia Apache 2.0. La autora ilustra el caso con una pila de vídeos mal nombrados: grabas una nota de voz pidiendo un momento concreto y una aplicación de búsqueda construida con el modelo devuelve el clip relevante. Considera que esto sirve tanto para la memoria de sus agentes como para la propia.

El texto explica qué es un modelo de embeddings: hace que la información sea buscable por significado, convirtiendo el contenido en representaciones numéricas que sitúan cerca las cosas relacionadas. Lo destacable de EmbeddingGemma 2 es que lo hace a través de texto, código, imágenes, audio y vídeo, de modo que una pregunta y un clip de vídeo pueden coincidir aunque como archivos tengan poco en común.

Esto ayuda con un problema concreto: muchos sistemas de búsqueda convierten primero audio, imágenes y vídeo en texto mediante transcripciones y subtítulos, y después buscan sobre esas descripciones, de modo que los detalles omitidos se vuelven más difíciles de encontrar. Una transcripción puede recoger la explicación de un ponente sobre un gráfico y dejar fuera las relaciones que muestra el propio gráfico. EmbeddingGemma 2 procesa el medio directamente, dando acceso a información visual y sonora que una descripción podría perder.

La autora reconoce que la multimodalidad no es nueva: ImageBind de Meta conectó seis modalidades en 2023, incluidos datos de profundidad y térmicos, pero se publicó con licencia no comercial. Lo interesante de la propuesta de Google es la combinación: un modelo compacto, de uso comercial, con herramientas para ejecutarlo en dispositivos cotidianos. Google indica unos 567 MB de RAM activa para el modelo completo cuantizado en un Pixel 11 Pro.

La ingeniería también permite elegir cuánto modelo se necesita: el texto y el código usan un componente de 270 millones de parámetros; la visión añade 170 millones; y el audio, otros 300 millones. Estas configuraciones comparten un espacio de embeddings compatible, así que una consulta escrita puede usar el componente pequeño de texto para buscar en medios indexados con el modelo completo, y se puede añadir búsqueda de audio más adelante sin recalcular los embeddings de texto existentes.

Otra característica es la parte «Matryoshka»: como las muñecas rusas, una representación más pequeña y útil vive dentro de la mayor. El modelo está entrenado para que los primeros 512, 256 o 128 números de su embedding de 768 dimensiones sigan sirviendo como representación de búsqueda tras normalizar, de modo que se puede elegir cuánto espacio dedicar a cada embedding. Con 256 dimensiones, los vectores ocupan un tercio del almacenamiento, y Google afirma conservar alrededor del 95 % de la calidad de recuperación en imagen, vídeo y voz a ese tamaño. Bajar a 128 ahorra más espacio pero pierde bastante más calidad multimodal. La técnica de Matryoshka Representation Learning data de 2022, así que no es exclusiva de este Gemma, pero la autora la considera una implementación interesante porque un historial buscable que crece tiene que caber en algún sitio, y vectores más pequeños hacen más práctico mantener ese índice en el propio dispositivo.

Sobre casos de uso, ya hay aplicaciones para probar. Google AI Edge Gallery incluye búsqueda de medios y un buscador de momentos en vídeo. Su aplicación Foresight combina EmbeddingGemma 2 con Gemma 4 para recuperación y razonamiento sobre archivos locales: un modelo encuentra el material y el otro trabaja con él. Para un agente, esto podría significar buscar conjuntamente en capturas de pantalla, código, grabaciones e informes de tareas previos, y revisar el material original antes de actuar; un detalle omitido en un resumen escrito ayer podría seguir estando en una captura.

La reflexión final enlaza con la memoria humana. La autora compara la información diaria de una persona en 1826, que según su estimación procedía sobre todo de conversaciones cara a cara y, en el caso de una persona muy alfabetizada, de un periódico local, unas páginas de un libro o una carta (muy por debajo de 2.000 a 5.000 palabras escritas al día), con la actualidad, en la que, en una aproximación muy burda, se consumen al menos 100.000 palabras diarias. Nuestro cerebro, señala, es más o menos el mismo que el del Homo sapiens de hace unos 300.000 años. Por eso ve en la conversación sobre memoria de agentes una conversación más profunda sobre nuestra propia memoria: la superinteligencia podría ser una vía para delegar parte del trabajo, como la búsqueda y el recordar dónde está cada cosa, en una tecnología que nunca descansa.

El boletín también anuncia que el 13 de octubre la autora preside y comisaría el «Expert Showcase: Agent Memory» de O'Reilly, una conferencia online gratuita sobre arquitecturas de memoria robustas y escalables, centrada en cómo los agentes retienen contexto útil, recuperan lo importante y aprenden de interacciones pasadas. La programación de Turing Post esta semana, dedicada a la memoria: el miércoles, «State of Agent Memory» (AI Builds AI); el viernes, una guía sobre 3D Gaussian Splatting y cómo los robots recuerdan lo que ya no está a la vista; y el domingo, la Library con investigación sobre Looped Transformers.