Qwen3-Embedding vs EmbeddingGemma 2: ¿cuál usar?

Qwen3-Embedding procesa texto y código en tres tamaños; EmbeddingGemma 2 junta texto, imágenes, audio y vídeo en un solo espacio. Compara contexto, tamaño y licencias.

  • Actualización

Veredicto. Elige según lo que necesites buscar. Qwen3-Embedding maneja texto y código en tres tamaños (0.6B, 4B, 8B), lee pasajes de hasta 32.000 tokens y cubre más de 100 idiomas. EmbeddingGemma 2 es un modelo de 740M que junta texto, imágenes, audio y vídeo en un espacio compartido, con un contexto de 8.192 tokens. Ambos son Apache 2.0. Los vectores de modelos distintos no son intercambiables, así que cambiar después implica reindexar tus datos.

Especificaciones

Especificaciones Qwen3-EmbeddingEmbeddingGemma 2
DesarrolladorAlibaba QwenGoogle DeepMind
Lanzamiento5 de junio de 20256 de octubre de 2026
Parámetros totales7.57B (Embedding-8B)740M (Full multimodal (740M))
Parámetros activosTodosTodos
ArquitecturaCodificadorCodificador
Ventana de contexto32K tokens8K tokens
EntradaTextoTexto, Imagen, Audio, Vídeo
Licencia Apache 2.0 (Permisiva) Apache 2.0 (Permisiva)
Memoria de la variante más pequeña (4 bits)1.38 GB (Embedding-0.6B)0.621 GB (Text and code only (270M of the same weights))

Las afirmaciones de rendimiento provienen del desarrollador y no se han verificado de forma independiente.

Elige Qwen3-Embedding si

  • Tus datos son texto o código y quieres equilibrar precisión y coste: el modelo 8B es el más preciso y el 0.6B corre en servidores pequeños.
  • Tus documentos son largos: lee hasta 32.000 tokens, frente a 8.192 de EmbeddingGemma 2.
  • Quieres búsqueda en dos etapas con los modelos Qwen3-Reranker correspondientes.
  • Necesitas más de 100 idiomas, incluidos lenguajes de programación.

Elige EmbeddingGemma 2 si

  • Necesitas búsqueda entre modalidades, como encontrar un vídeo desde una nota de voz o una foto desde una frase.
  • Quieres correrlo en un teléfono o portátil: el modelo completo pesa unos 1,5 GB de descarga.
  • Quieres almacenamiento vectorial pequeño: puede recortar los vectores a 256 o 128 dimensiones.
  • Tus documentos son cortos, o aceptas dividirlos en trozos que quepan en 8.192 tokens.

Qwen3-Embedding · EmbeddingGemma 2