---
format: "aidr-story-markdown/v1"
id: "b99beecb4669479f86b86323705160881d050bd4fc54a1e5599f3be4487a5375"
canonical_url: "https://aidr.today/b99beecb?lang=vi"
title: "EmbeddingGemma 2 của Google cạnh tranh với OpenAI trên CPU tiêu dùng"
lang: "vi"
requested_lang: "vi"
available_langs: ["en","vi"]
translation_fallback: null
fallback_fields: []
published_at: "2026-10-14T09:09:17.000Z"
category: "Data"
topics: ["google","llm","data-engineering"]
source_urls: ["https://huggingnews.com/ai/googles-embeddinggemma-2-rivals-openai-on-consumer-cpus-eb76065a","https://x.com/dorkitude/status/2109811136334041468","https://x.com/tomaarsen/status/2109974446094295248","https://x.com/LearnOpenCV/status/2110291437174567257","https://x.com/tomaarsen/status/2110126159367479684","https://x.com/TheTuringPost/status/2109817905177378908","https://x.com/googlegemma/status/2110044339351191707","https://marketbrief.now/ai/googles-embeddinggemma-2-rivals-openai-on-consumer-cpus-eb76065a"]
summary: "Mô hình đa dạng thức 740M parameter mới ra mắt từ Google đã nhanh chóng trở thành mô hình được yêu thích thứ 4 trong lịch sử công ty sau khi vượt qua độ phổ biến của EmbeddingGemma 1. EmbeddingGemma 2 đạt benchmark tương đương với embedding-3-large của OpenAI và Qwen 8B nhưng chạy trên CPU tiêu dùng thay vì GPU. Mặc dù đã xác định thành công 13 trong 14 đoạn video từ một câu mô tả duy nhất trong kiểm tra, mô hình này thiếu cảm giác thời gian, coi video và phiên bản đảo ngược của nó là 99% giống nhau. Các nhà phát triển đã áp dụng mô hình này để xây dựng DigUp, một công cụ nguồn mở cho Mac lập chỉ mục tệp tin và podcast cục bộ. Để hỗ trợ tìm kiếm trên thiết bị, Google sử dụng Matryoshka embeddings để chỉ lưu 256 giá trị đầu tiên trong tổng số 768 giá trị dưới dạng vector. Theo Google, cách tiếp cận này giảm nhu cầu lưu trữ xuống còn 1/3 nhưng vẫn duy trì khoảng 95% chất lượng truy xuất cho hình ảnh và giọng nói."
---

# EmbeddingGemma 2 của Google cạnh tranh với OpenAI trên CPU tiêu dùng

> [Open the canonical story](<https://aidr.today/b99beecb?lang=vi>)

**Published:** 2026-10-14T09:09:17.000Z
**Category:** Data
**Topics:** google, llm, data\-engineering

## Summary

Mô hình đa dạng thức 740M parameter mới ra mắt từ Google đã nhanh chóng trở thành mô hình được yêu thích thứ 4 trong lịch sử công ty sau khi vượt qua độ phổ biến của EmbeddingGemma 1\. EmbeddingGemma 2 đạt benchmark tương đương với embedding\-3\-large của OpenAI và Qwen 8B nhưng chạy trên CPU tiêu dùng thay vì GPU\. Mặc dù đã xác định thành công 13 trong 14 đoạn video từ một câu mô tả duy nhất trong kiểm tra, mô hình này thiếu cảm giác thời gian, coi video và phiên bản đảo ngược của nó là 99% giống nhau\. Các nhà phát triển đã áp dụng mô hình này để xây dựng DigUp, một công cụ nguồn mở cho Mac lập chỉ mục tệp tin và podcast cục bộ\. Để hỗ trợ tìm kiếm trên thiết bị, Google sử dụng Matryoshka embeddings để chỉ lưu 256 giá trị đầu tiên trong tổng số 768 giá trị dưới dạng vector\. Theo Google, cách tiếp cận này giảm nhu cầu lưu trữ xuống còn 1/3 nhưng vẫn duy trì khoảng 95% chất lượng truy xuất cho hình ảnh và giọng nói\.

## Sources

- [Story source](<https://huggingnews.com/ai/googles-embeddinggemma-2-rivals-openai-on-consumer-cpus-eb76065a>)
- [Story source](<https://x.com/dorkitude/status/2109811136334041468>)
- [Story source](<https://x.com/tomaarsen/status/2109974446094295248>)
- [Supporting source](<https://x.com/LearnOpenCV/status/2110291437174567257>)
- [Supporting source](<https://x.com/tomaarsen/status/2110126159367479684>)
- [Supporting source](<https://x.com/TheTuringPost/status/2109817905177378908>)
- [Supporting source](<https://x.com/googlegemma/status/2110044339351191707>)
- [Story source](<https://marketbrief.now/ai/googles-embeddinggemma-2-rivals-openai-on-consumer-cpus-eb76065a>)