不记得文件名，也能找回一段画面：EmbeddingGemma 2

Google 的手机演示里，用户输入“海龟吃东西”，应用列出视频中的多个候选片段，每个都带时间点。点开其中一个，下方播放器进入对应位置。这把找素材的问题从“文件叫什么”推进到了“我要的那一刻在哪里”。

10 月 6 日发布的 EmbeddingGemma 2 是这些示例背后的模型。演示让人看见一种具体用途：拍下很长的视频以后，可以先描述记得的画面，再回到原片确认。它展示了检索路径，私人录像里能找准多少，还需要用自己的材料判断。

• 观看 Google 的视频片段搜索演示 ↗

上一代 EmbeddingGemma 面向文字；第二代把文字、代码、图片、音频和视频放进同一个表示空间。可以把它理解为替材料生成一组用于比较的数字：一句描述与一张照片虽然形式不同，也能被拿来寻找相近的含义。完整模型为 7.4 亿参数，权重已在 Google 的公开仓库中提供。

另一段演示打开了猫趴在键盘上的照片，并提供继续找相似图片的按钮。搜索的起点因此不必只有文字，也可以是手边已有的一张图。模型输出这种可比较的表示，应用再把结果做成照片网格、视频时间点和可以打开的文件。

Google 的开发说明把这个过程拆开了：应用先为媒体建立本地索引，查询时再比较输入与索引里的表示，返回相似的结果。Gallery 的两个入口分别负责找媒体、找视频中的片段；它们展示了模型如何接到手机界面。首次准备模型与素材索引，和之后在设备上检索，是两个不同阶段。

前天介绍的 SCM 也在回答“忘了文件名，怎样找回素材”，既有版本采用 CLIP、SigLIP 等模型，并把画面文字和对白检索分别处理。现在多了一条官方手机示例，可以对照着看：你需要找整张图片、一句对白，还是视频中的某个动作？不同结果背后，应用安排的索引与返回方式也不同。

• 查看 Gallery 的设备与安装入口 ↗
• 接着看 SCM 怎样找照片、对白和视频片段 →

这里的匹配分数是检索排序的依据，不能直接读成“有多少概率找对了”。对读者而言，最有用的闭环很简单：描述记得的内容，得到几处候选，打开原图或原片确认，再把它放进正在整理的相册、笔记或作品。

这次发布值得接续的地方，是源头模型与日常找素材之间已有可见的应用示例。下一步值得看的，是中文查询、相近场景容易混淆的照片，以及更长录像里的定位表现；本文没有把这些尚未实测的结果提前写成结论。