Los embeddings multimodales son representaciones numéricas que colocan texto, imágenes, audio, video y código dentro de un mismo espacio vectorial, de modo que una computadora puede medir qué tan parecidos son entre sí sin importar el formato. EmbeddingGemma 2, el modelo abierto de Google anunciado el 6 de octubre de 2026, hace exactamente eso: convierte una foto de un atardecer y la frase "golden hour" en vectores que quedan prácticamente uno al lado del otro.
Esa idea, que suena académica, tiene una consecuencia muy concreta para cualquier empresa: por primera vez es viable buscar en un mismo índice un audio de WhatsApp, un PDF escaneado, una foto de una pieza y una descripción escrita, y obtener un resultado coherente. Todo eso, además, sin enviar los datos a un servidor externo.
En este artículo revisamos cómo funciona EmbeddingGemma 2 por dentro, por qué su arquitectura modular importa para el presupuesto de infraestructura y qué significa esto para una empresa mediana en Perú o Latinoamérica que hoy tiene su información repartida entre carpetas, correos y grabaciones.
¿Qué es un embedding y por qué necesitas entenderlo?
Un embedding es una lista de números. Nada más y nada menos. Cada pieza de información —una frase, una imagen, un segundo de audio— se transforma en un vector de cientos de dimensiones, y la posición de ese vector en el espacio captura su significado.
La regla es simple: mientras más cerca están dos vectores, más parecido es el contenido que representan. Esa cercanía es lo que permite que un buscador encuentre resultados aunque las palabras exactas no coincidan.
La búsqueda semántica que usan los asistentes modernos funciona así. Cuando un cliente escribe "necesito algo para el frío de la madrugada en Puno", el sistema no busca la palabra "frío": busca el concepto. Y para eso necesita vectores bien construidos.
El salto de EmbeddingGemma 2 es que ese mismo truco ahora funciona entre formatos distintos. El video explica que los embeddings de una foto de atardecer y del texto "golden hour" terminan juntos en el espacio. Eso significa que puedes consultar tu archivo de fotos con una frase, o tu archivo de audios con una imagen de referencia.
¿Cómo funciona por dentro un modelo multimodal como EmbeddingGemma 2?
La arquitectura de EmbeddingGemma 2 reemplaza la idea de "un modelo para cada cosa" por encoders especializados que desembocan en un mismo espacio común.
El encoder de visión corta imágenes y fotogramas de video en pequeños parches. El encoder de audio convierte las ondas de sonido en una representación visual llamada espectrograma y la divide en segmentos de 40 milisegundos. Cada encoder produce vectores y los proyecta hacia un espacio compartido de 768 dimensiones.
Ahí entra el backbone: un transformer bidireccional que pesa la relevancia de cada parte de la entrada, la contextualiza y mezcla información entre modalidades. Luego tres pasos colapsan todo en un único vector: mean pooling, una capa densa y una normalización final.
Una mejora clave son las entradas por capa. En lugar de inyectar el contexto una sola vez al inicio, el modelo inyecta una versión adaptada en cada capa del transformer. Así la señal original no se pierde en las capas más profundas.
El entrenamiento tiene dos etapas. Primero, EmbeddingGemma 2 no parte de cero: se inicializa desde un modelo Gemma 4 ya preentrenado y hereda su conocimiento del mundo. Después aprende por destilación del espacio de embeddings de su maestro, Gemini Embedding 2. En el ajuste fino se usan objetivos de pérdida contrastiva y spread out, incluyendo negativos de la misma torre, que evitan que los resultados se sesguen hacia una sola modalidad.
Aquí conviene una advertencia: el material de Google explica muy bien cómo se construye el espacio vectorial, pero no demuestra que un modelo de este tamaño supere a un sistema especializado en cada tarea por separado. Tampoco presenta cifras de ahorro de costo en producción. La promesa es de eficiencia y cobertura, no de precisión absoluta.
¿Por qué importa que el modelo sea pequeño y modular?
EmbeddingGemma 2 se puede cargar por partes. El backbone de texto y código son 270 millones de parámetros. Si agregas el encoder de visión, subes a 440 millones. Con audio, a 570 millones. El modelo completo multimodal llega a 740 millones.
Esa modularidad es la diferencia entre pagar por capacidad que no usas y pagar solo por lo que necesitas. Una empresa que solo indexa documentos y correos puede quedarse en la configuración de texto. Una que además procesa fotos de productos suma visión.
El segundo ahorro viene de Matryoshka Representation Learning, o MRL. Esta técnica permite truncar los vectores de salida de 768 dimensiones a 512, 256 o 128 sin reentrenar nada. Según el blog de Google para desarrolladores, a 256 dimensiones se conserva casi toda la calidad original en texto y código, y alrededor del 95 % en recuperación de imagen, video y voz.
Traducido a infraestructura: menos dimensiones significa menos almacenamiento en tu base de datos vectorial y menos memoria en el equipo que hace la búsqueda. Es el tipo de decisión que en un proyecto real define si el sistema corre en un servidor modesto o exige uno grande.
El tercer punto es la ejecución local. Según la documentación de Google, con cuantización el modelo completo multimodal requiere alrededor de 567 MB de RAM activa en un Pixel 11 Pro. Eso abre la puerta a procesar información sensible sin que salga de la empresa.
¿Qué significa esto para una empresa en Perú o Latinoamérica?
En la mayoría de empresas medianas de la región, la información valiosa no está ordenada. Está repartida entre audios de WhatsApp, fotos de celular, PDFs escaneados y correos con el asunto "URGENTE".
Un modelo como EmbeddingGemma 2 no arregla ese desorden por sí solo. Lo que hace es volverlo consultable. Y esa diferencia es enorme.
Piensa en una empresa de servicios técnicos en Lima. El área de posventa recibe a diario audios de clientes describiendo fallas y fotos de equipos. Hoy, esos archivos quedan en un celular. Con embeddings multimodales, el jefe de servicio puede escribir "falla recurrente en bomba centrífuga" y recuperar el audio donde un cliente describió exactamente ese síntoma hace ocho meses.
Lo mismo aplica a una empresa que indexa su código fuente. El modelo logró una mejora de 9,92 puntos en MTEB Code, pasando de 68,76 a 78,68, según el blog de Google. Para un equipo de desarrollo en Perú que mantiene un sistema heredado, eso significa poder preguntar en lenguaje natural dónde está implementada una regla de negocio y obtener el archivo correcto.
La condición para que esto funcione es la de siempre: datos con estructura mínima. Un buscador multimodal sobre información duplicada, sin nombres ni fechas, devuelve basura con mucha elegancia.
¿Cómo aplica esto en tu empresa?
Antes de comprar cualquier herramienta, haz un inventario honesto de dónde vive tu información no estructurada. Audios, fotos, videos, PDFs escaneados. Si no sabes cuántos son ni dónde están, ese es el primer trabajo.
Segundo, elige un caso de uso acotado. No intentes indexar toda la empresa de golpe. Un buen punto de partida es el archivo de posventa o la documentación técnica de un solo producto.
Tercero, define qué preguntas quieres responder. La calidad de un sistema de recuperación se mide por si responde las consultas reales de tu equipo, no por la elegancia del modelo.
Cuarto, evalúa el costo de infraestructura con las dimensiones truncadas antes de asumir el peor escenario. Si el 95 % de la calidad se conserva a 256 dimensiones, no tiene sentido pagar por 768 desde el día uno.
Quinto, involucra a quien realmente va a usar el sistema. El gerente de operaciones no necesita saber qué es un vector, pero sí necesita saber que podrá encontrar esa foto del año pasado en tres segundos.
Si quieres revisar cómo se vería esto en tu operación, puedes conversar con nosotros sobre tu caso o revisar los artículos del blog de Consultoría TI.
Preguntas Frecuentes
¿Qué diferencia hay entre un embedding normal y uno multimodal?
Un embedding normal convierte solo texto en vectores. Uno multimodal, como los embeddings multimodales de EmbeddingGemma 2, coloca texto, imágenes, audio, video y código en el mismo espacio vectorial, de modo que puedes comparar una foto con una frase o un audio con un video.
¿Puedo usar EmbeddingGemma 2 sin enviar datos a la nube?
Sí. El modelo está diseñado para ejecutarse en el dispositivo, en GPUs o CPUs de consumo, y con cuantización el modelo completo multimodal requiere alrededor de 567 MB de RAM activa según Google. Eso permite procesar información sensible sin que salga de la infraestructura de la empresa.
¿Necesito un equipo muy potente para empezar?
No necesariamente. Puedes empezar solo con el backbone de texto y código de 270 millones de parámetros y sumar los encoders de visión o audio después. Además, el truncado de vectores de 768 a 256 o 128 dimensiones reduce el almacenamiento hasta seis veces según Google, lo que baja bastante el requisito de infraestructura.
Conclusión: ¿Vale la pena mirar los embeddings multimodales hoy?
EmbeddingGemma 2 no es un producto que compras y enchufas. Es una pieza de infraestructura que vuelve consultable lo que hoy está enterrado en audios, fotos y documentos escaneados.
La parte técnica ya está resuelta por Google: un espacio unificado de 768 dimensiones, arquitectura modular de 270 a 740 millones de parámetros, truncado de vectores sin reentrenar y ejecución local. La parte que queda pendiente es la tuya: ordenar mínimamente la información y elegir un caso de uso concreto.
Si tu empresa ya está evaluando cómo aprovechar IA en el dispositivo o cómo construir una búsqueda semántica interna, este es un buen momento para conversar. Puedes contactar a Consultoría TI y revisar juntos qué caso de uso tiene más sentido para tu operación.
Por Edgar Vásquez, Consultoría TI · actualizado el 17 de noviembre de 2026
Fuentes y Referencias
- Google Blog: EmbeddingGemma 2, an open lightweight multimodal embedding model
- Google Developers Blog: EmbeddingGemma 2, The Developer Guide
- Google AI for Developers: EmbeddingGemma
- Google for Developers: EmbeddingGemma 2, How natively multimodal embeddings work
✨ Contenido generado con ContentFlow — Consultoría-Ti