گوگل یک مدل چندوجهی جدید برای اجرای آفلاین معرفی کرد گوگل این هفته EmbeddingGemma 2 را معرفی کرده؛ یک مدل سبک که می‌تواند متن، تصویر، صوت و ویدیو را به یک فضای مشترک تبدیل کند.

📝 کاربرد جذابش چیست؟

مثلاً به‌جای اینکه بین صدها ویدیو دنبال یک لحظه خاص بگردید، می‌توانید بنویسید ویدیو فوتبال بازی کردن و مدل می‌تواند محتوای مرتبط را پیدا کند؛ آن هم با پردازش روی خود دستگاه.

📝 نکات مهم:

حدود ۷۴۰ میلیون پارامتر
طراحی‌شده برای اجرای On-device
پشتیبانی از متن، تصویر، صوت و ویدیو
مناسب برای جست‌وجوی معنایی در فایل‌های شخصی
مدل کامل چندوجهی حدود ۵۶۷ مگابایت RAM روی Pixel 11 Pro مصرف می‌کند
متن‌باز با مجوز Apache 2.0

📝یعنی به‌جای اینکه عکس‌ها و ویدیوهای شخصی برای جست‌وجو به یک سرور ابری ارسال شوند، می‌توان این پردازش را مستقیماً روی دستگاه انجام داد. گوگل این مدل را برای توسعه‌دهندگان و ساخت قابلیت‌های هوش مصنوعی روی دستگاه منتشر کرده و در Google AI Edge قابل استفاده است.

برای گوشی گوگل خودش دموهای EmbeddingGemma 2رو داخل Google AI Edge Gallery گذاشته با اسم های :
Instant Media Search
Video Moments Finder
تو اپلیکیشن Google AI Edge Gallery دسترسی به مدل های مختلف هوش مصنوعی مثل چت هم دارید که میتونید تو گوشیتون اجرا کنین و همچنین مدلی که تو این پست معرفی کردم از طریق گوگل پلی هم دردسترسه

🔗 پست مشابه
✈️ @Farda_Ai