Google 本週在 Hugging Face 丟出 EmbeddingGemma 2，短短七天衝上 1366 個讚、近三萬次下載，成為本週成長最快的模型之一。對一般讀者來說，「embedding」這個詞很陌生，但它其實決定了你每天用的搜尋、客服機器人、企業知識庫到底找不找得到東西。
過去這類向量模型幾乎都是 OpenAI、Cohere 的收費 API 天下，現在 Google 把一個 308M 參數的版本直接開源，而且強調可以離線跑在筆電上。這對香港、台灣的中小企業與開發者意味著什麼？我們實際跑了一輪，把優缺點一次講清楚。
EmbeddingGemma 2 到底是什麼？一句話講完
Embedding 模型的工作，是把一段文字轉換成一串數字（向量），讓電腦可以判斷「這兩句話意思像不像」。你把它想成圖書館的索引卡系統：卡片做得好，你打「颱風天上班」，它找得到「八號風球返工安排」；卡片做得爛，你只會拿到一堆不相關的結果。
EmbeddingGemma 2 的定位有三個關鍵字：
- 小：308M 參數，量化後約 200MB 上下，手機、筆電都能塞得下
- 多語言：官方宣稱支援超過 100 種語言，中文、日文、韓文都在名單內
- 開源可商用：權重直接下載，不像 API 要按 token 付費
跟前一代相比，這次最大的進步在於檢索準確度與長文本處理。官方公布的 MTEB 多語言榜單上，它在中型模型級別擠進前段班，而體積只有對手的幾分之一。這也是為什麼它一上架就被社群大量下載——大家等一個「便宜又不笨」的本地檢索模型等很久了。
實測：廣東話、繁體中文找得準嗎？
我們用三個貼近港台使用情境的測試題來跑。
測試一：繁簡混用檢索。 資料庫裡放簡體文件，用繁體問句查詢。EmbeddingGemma 2 的命中率明顯優於一般只訓練英文的開源模型，但遇到「軟件／軟體」「視頻／影片」這類地區用詞差異時，仍然會漏掉部分結果。這點要老實說：它不是萬靈丹，跨地區用語還是得靠前處理。
測試二：廣東話口語。 用「呢個plan幾錢」「邊度可以退貨」這類口語查詢，模型能抓到意思相近的書面語段落，表現比預期好。不過如果是高度本地化的俚語，建議還是自己補一批語料做微調。
測試三：長文件。 丟入一份三千字的繁體中文合約，查詢特定條款。EmbeddingGemma 2 支援較長的輸入長度，切塊策略得當的話，召回率相當穩定。這是它相對前代最有感的地方。
整體來說，它對中文的處理已經到了「可用」等級，不再是那種「英文很好、中文堪用」的開源模型。但如果你要做的是法律、醫療這類高精確度場景，還是得自己驗證與微調。
三步驟上手：本地跑起來要多久？
對開發者而言，安裝門檻比想像中低。以下是最短路徑：
- 環境準備：Python 3.10 以上，裝好
sentence-transformers或transformers。有 GPU 更好，沒有也能跑。 - 下載模型：直接從 Hugging Face 拉
google/embeddinggemma-2，約幾百 MB，香港寬頻環境下幾分鐘內完成。 - 產生向量：三行程式碼就能把一段文字轉成向量，接著接上 FAISS 或 Chroma 這類向量資料庫，你的私人搜尋引擎就成形了。
我們在一台 M 系晶片的 MacBook Air 上測試，單句編碼幾乎是即時，批次處理一萬條短句大約數分鐘。這種速度意味著：你可以每天重建一次索引，而不必付任何 API 費用。
跟 OpenAI、Cohere 比，該選誰？
| 項目 | EmbeddingGemma 2 | OpenAI embedding API | Cohere Embed |
|---|---|---|---|
| 費用 | 免費（自備算力） | 按 token 計費 | 按 token 計費 |
| 資料外送 | 不外送，可離線 | 需上傳雲端 | 需上傳雲端 |
| 中文表現 | 良好，可微調 | 優秀 | 良好 |
| 維運成本 | 需自己管機器 | 幾乎為零 | 幾乎為零 |
| 客製化 | 可微調、可蒸餾 | 有限 | 有限 |
選擇邏輯很簡單：如果你的資料敏感、量大、又不想月月付費，EmbeddingGemma 2 幾乎是首選；如果你只是做個小專案、團隊沒有維運能力，付費 API 反而省事。真正的分水嶺不是技術，而是「你願不願意自己養一台機器」。
三個必須知道的限制
第一，它不是生成模型。EmbeddingGemma 2 只負責檢索與分類，不會幫你寫答案。要做出完整的 RAG 問答系統，你還需要接一個生成模型。
第二，硬體仍是門檻。雖說能在筆電跑，但要做企業級索引，還是建議有獨立 GPU 或穩定的雲端實例，否則批次更新會拖慢整體流程。
第三，中文微調資料仍偏少。官方訓練資料以英文為主，港台本地語料要靠自己補。這是目前所有開源多語言模型的共同痛點。
延伸閱讀
誰該用？誰可以先觀望？
建議直接上手的人：想自建企業知識庫的 IT 團隊、做 RAG 應用的開發者、處理敏感資料的金融與醫療單位、以及預算有限但資料量大的新創。
可以先觀望的人：只想做一次性小工具的行銷人員、沒有技術人力的個人工作室——對你們來說，付費 API 的便利性仍然勝出。
EmbeddingGemma 2 不是那種會上新聞頭條的炫炮模型，但它解決的是一個很務實的問題：讓搜尋真的找得到東西，而且不用把資料交給別人。對香港與台灣重視資料主權的企業來說，這個價值可能比模型跑分更實在。如果你手上正好有一堆找不到的內部文件，這週末值得花兩小時試一試。