โดย Insightist™ | เผยแพร่: 7 ตุลาคม 2569 | อ้างอิง: Google DeepMind
สรุปสาระสำคัญ
- Google เปิดตัว EmbeddingGemma 2 โมเดล embedding ขนาด 740 ล้าน parameters ที่รวมข้อความ ภาพ เสียง วิดีโอ และโค้ด ไว้ใน space เดียวกัน
- ปล่อยภายใต้ไลเซนส์ Apache 2.0 ซึ่งอนุญาตให้ใช้เชิงพาณิชย์ได้
- ใช้ RAM ราว 191MB (เฉพาะข้อความ) ถึง 567MB (ครบทุกสื่อ) บน Pixel 11 Pro เมื่อทำ quantization
- คะแนน MTEB Code เพิ่มจาก 68.76 เป็น 78.68 และรับ context ได้ 8K token
มีคลิปประชุมสะสมเป็นร้อยชั่วโมง อยากหาช่วงที่ลูกค้าพูดถึงราคา แต่ต้องนั่งไล่ฟังทีละไฟล์ ปัญหานี้กำลังมีทางออกที่รันในมือถือได้
Insightist™ รายงานข่าว AI วันนี้ เรื่อง EmbeddingGemma 2 โมเดลตัวใหม่จาก Google DeepMind ที่ทำให้การค้นหาข้ามสื่อเกิดขึ้นในเครื่องของผู้ใช้เอง
EmbeddingGemma 2 คืออะไร และต่างจากรุ่นแรกยังไง?
คือ โมเดลที่แปลงข้อความ ภาพ เสียง วิดีโอ และโค้ด ให้เป็นชุดตัวเลขใน space เดียวกัน เครื่องจึงรู้ว่าอะไรมีความหมายใกล้กันและค้นข้ามสื่อได้ รุ่นแรกทำได้เฉพาะข้อความ แต่มียอดดาวน์โหลดเกิน 20 ล้านครั้ง รุ่นนี้จึงขยายต่อให้ครบทุกสื่อ โดยสร้างบนสถาปัตยกรรม Gemma 4
เบาแค่ไหนถึงรันบนมือถือได้?
เบามาก เพราะแยกเป็นโมดูลให้เลือกใช้ตามงาน ตัวข้อความอย่างเดียวใช้ราว 270M parameters จะเพิ่ม vision encoder 170M หรือ audio encoder 300M ก็ได้ บน Pixel 11 Pro ใช้ RAM ราว 191MB ถ้าเอาเฉพาะข้อความ และราว 567MB ถ้าเอาครบทุกสื่อ นอกจากนี้ยังตัด vector จาก 768 dimensions ลงเหลือ 512, 256 หรือ 128 ได้ด้วย Matryoshka Representation Learning ช่วยลดพื้นที่เก็บใน vector database ได้สูงสุด 6 เท่า
รับข้อมูลได้เยอะแค่ไหนในครั้งเดียว และแม่นขึ้นไหม?
รับได้ครั้งละราว 5.5 นาทีของเสียง, 29 ภาพ หรือ 58 เฟรมวิดีโอ เพราะ context window 8K token ใหญ่กว่ารุ่นแรก 4 เท่า ส่วนความแม่น คะแนนโค้ดใน MTEB Code เพิ่ม 9.92 คะแนน จาก 68.76 เป็น 78.68 และ Google ระบุว่ารุ่นนี้ชนะโมเดลเฉพาะทางบางตัวที่ใหญ่กว่าตัวเองกว่า 2 เท่า (ตัวเลขเต็มดูได้ใน model card)
ธุรกิจไทยเอาไปทำอะไรได้บ้าง?
มุมมองของ Insightist™ คือ โมเดลนี้เหมาะกับงานที่ข้อมูลอ่อนไหวและไม่อยากส่งออกนอกเครื่อง ไอเดียที่ทำได้มีตามนี้
- ร้านค้าและแบรนด์ ค้นรูปสินค้าด้วยข้อความ หรือหาสินค้าคล้ายกันจากรูป
- ทีมขายและคอลเซ็นเตอร์ ค้นช่วงที่ลูกค้าพูดถึงเรื่องที่สนใจจากไฟล์เสียง
- ทีมองค์กร ค้นช่วงสำคัญในคลิปประชุมโดยไม่ต้องไล่ฟังทั้งไฟล์
- ทีมพัฒนา ทำเครื่องมือค้นโค้ดใน repo ของบริษัทเองโดยไม่ส่งโค้ดออกนอกบริษัท
ไอเดียเหล่านี้ยังต้องทดสอบกับข้อมูลภาษาไทยจริงก่อน เพราะต้นฉบับไม่ได้ระบุผลทดสอบเฉพาะภาษาไทย
เริ่มใช้ได้ที่ไหนวันนี้?
โหลด weights ได้ที่ Hugging Face และ Kaggle ส่วน Model Garden บน Gemini Enterprise Agent Platform จะตามมาเร็วๆ นี้ รันได้ผ่าน transformers, sentence-transformers, MLX, vLLM, llama.cpp, SGLang, Ollama และ LMStudio ถ้าทำแอปมือถือ ใช้ MediaPipe หรือ LiteRT ได้ ฝั่งเว็บใช้ transformers.js หรือ WebGPU เก็บ vector กับ Qdrant ได้ ทีมไหนมีข้อมูลที่อยากค้นอยู่แล้ว ลองโหลดตัวข้อความอย่างเดียว (270M) มาทดสอบกับข้อมูลภาษาไทยของตัวเองก่อน ค่อยเพิ่มโมดูลภาพและเสียงทีหลัง
คำถามที่พบบ่อย (FAQs)
Q: ต้องเสียเงินค่าโมเดลไหม?
A: ไม่ต้อง โมเดลปล่อยภายใต้ไลเซนส์ Apache 2.0 ซึ่งอนุญาตให้ใช้เชิงพาณิชย์ได้
Q: ต้องต่ออินเทอร์เน็ตตอนค้นหาไหม?
A: ไม่ต้อง Google ระบุว่าสร้างระบบค้นหาและดึงข้อมูลที่ทำงาน offline ได้เต็มรูปแบบ
Q: ต้องใช้มือถือรุ่นไหน?
A: ตัวเลขที่ Google เปิดเผยวัดบน Pixel 11 Pro เมื่อทำ quantization ส่วนรุ่นอื่นต้องทดสอบเอง
Q: ใช้คู่กับ Gemma 4 ได้ไหม?
A: ได้ และกินหน่วยความจำรวมน้อยลง เพราะสองโมเดลใช้ text tokenizer และ audio encoder ร่วมกัน
ถ้าคุณสนใจข่าวสารนี้ ให้ Add Line OA เพิ่ม: https://lin.ee/ulsmCKk หรือ @nhx2358e
