BreadBowl 发布 BreadBowl-Embed：用 KV cache 式槽位同时做检索与重排
BreadBowl AI 发布 BreadBowl-Embed，一种 late-interaction 嵌入架构，把每段文本编码为 16 个 routing 与 value 槽位，检索和重排共用同一份存储表示，重排时不再重读候选文本。
#RAG
Hacker NewsAI 评分5252
RadarAIAI 评分6262 Google 发布 EmbeddingGemma 2 多模态端侧嵌入模型
Google 发布 EmbeddingGemma 2，称其为首个开源多模态嵌入模型，可将文本、图像和音频映射到统一向量空间。该模型基于 Gemma 4 调优，参数量 740M，专为端侧设备优化，在检索任务上表现较好，适用于 RAG 等隐私敏感场景。
科技媒体 RSSAI 评分4747 Perplexity 发布 pplx-embed-v2-late 双模型，统一空间检索文本、图像与网页
Perplexity 发布 pplx-embed-v2-late，包含两个 late-interaction 嵌入模型，可在共享嵌入空间中跨模型检索文本、图像和网页，已在 Hugging Face 公开。其中 pplx-embed-v2-late-0.6B（340M 激活参数）在 ViDoRe V3 公共子集上得分 62.3，官方称其 0.6B 模型可匹配 5 倍大小模型。
科技媒体 RSSAI 评分5858 Google 发布 EmbeddingGemma 2 多模态嵌入模型
Google 发布开源嵌入模型 EmbeddingGemma 2，参数规模 7.4 亿，可将文本、图像、视频、音频和代码转换为向量。该模型支持端侧运行，仅需约 191 MB 内存，Google 称其表现优于部分参数量为其两倍的竞品。与 Gemma 4 等小型开源模型搭配，可在不向外部服务器发送数据的情况下运行离线 RAG 应用。
科技媒体 RSSAI 评分4242 EmbeddingGemma 2 搭配 Gemma 4 实现端侧 RAG
EmbeddingGemma 2 与 Gemma 4 搭配，以更低的内存占用实现高效的端侧检索增强生成（RAG）。EmbeddingGemma 2 负责检索本地文件，Gemma 4 对其推理并给出有依据的答案，且完全保护隐私。