電腦裡一大堆圖片、影片，AI 找得到嗎？｜用 Google 開源的 EmbeddingGemma 2 在自己電腦實測

速讀

• 找得到。Google 免費開源的 EmbeddingGemma 2 裝在自己電腦，就能打一句話找圖片、找影片裡的某一頁。
• 畫面上有字的（簡報、海報、圖卡）找得最準；只記得「長什麼樣子」的，比較難找。
• 影片最省事的做法是每 10 秒截一張圖再搜，一個多小時的錄影幾分鐘就處理完，不花雲端費用。

這些情況，你應該遇過

• 記得做過一張圖卡，檔名卻是一串數字，翻了半小時找不到。
• 兩小時的課程錄影，想找「講到那一頁簡報」的片段，只能一直拖時間軸。
• 想丟給 ChatGPT 幫你看，影片太大傳不上去；就算傳得上去，也怕客戶資料外流，而且很花錢。

逐字稿也只幫得上一半：它記下說了什麼，畫面上那一頁寫了什麼，它不知道。

適合誰

• 電腦裡有大量圖片、截圖、課程或活動錄影，常常要回頭找
• 資料不想上傳到雲端，希望在自己電腦處理
• 要幫客戶整理簡報、設計稿、照片，想先知道 AI 搜圖做得到哪裡

你可以帶走什麼

• EmbeddingGemma 2 的白話介紹，和四種尺寸怎麼選
• 網路上大家拿它做的幾種事
• 我用自己的錄影和圖片測出來的結果：哪些找得到、哪些找不到
• 三條開始的路，和一段可以直接貼給 AI 助手的提示詞

EmbeddingGemma 2 是什麼：幫你的圖片和影片編目錄的 AI

它不聊天，也不回答問題，只做一件事：把每張圖、每段文字、每段影片，換成一組「座標」。意思接近的東西，座標就靠得近。你打一句話，它也把這句話換成座標，再去找離它最近的那幾張圖。

這個動作叫「嵌入」（embedding）。很多「讓 AI 先查你的資料、再回答」的系統（叫做 RAG，檢索增強生成），第一步都靠它。過去常見的嵌入模型只處理文字；EmbeddingGemma 2 把圖片、影片、聲音也放進同一套座標，所以你可以用一句中文去找一張截圖。

幾個重點：

• Google DeepMind（Google 的 AI 研究團隊）在 2026 年 10 月 6 日發布。它是「開源」的，也就是模型檔案公開，任何人都能免費下載來用。授權是 Apache 2.0，這是一種很寬鬆的開源授權：個人和公司都能免費使用、修改，也能放進商業產品，只要保留原本的版權與授權聲明。
• 一套座標同時收文字、程式碼、圖片、影片、聲音。
• 官方說支援 100 多種語言，但沒有公布中文的專項成績。
• 設計給手機、筆電這類一般設備在本機跑。

它是同一顆模型，看你要載入哪些「眼睛和耳朵」，分成四種尺寸。尺寸裡的 M 是百萬，270M 就是大約 2.7 億個參數（可以想成模型的腦細胞數）；數字越大，看得懂的東西越多，檔案也越大：

網路上大家拿它做什麼

發布不到一個月，網路上已經有人做出這幾類東西。以下是開發者公開分享的作品與測試，我沒有一一試用：

Google 官方自己舉的例子也差不多：用文字或圖片找媒體庫裡的內容、用一句話找影片片段、搜尋錄音，以及在本機建知識庫讓 AI 查資料（Google 發布文）。

大家分享時提到的幾個坑：

• 截圖上的名字、數字容易漏：Local Photo Search 作者說，沒有另外加文字辨識（OCR）時，截圖裡的特定名字、數字會找不到。我測到「印著名字的形象照」沒找到，方向一致。
• 中文要分開看：有人用中文文件測「找文字」，總分略低於常用的文字搜尋模型 bge-m3（我原本的知識庫搜尋用的就是它）（測試報告）；但另一位開發者用中文描述「找照片」，結果比另一個常用的看圖模型 SigLIP 2 好（測試）。中文找圖可以試，純中文文件可以先沿用原本的工具。
• 速度看電腦：Local Photo Search 作者測到，有獨立顯示卡約 0.05 秒一張；沒有顯示卡、只靠電腦主處理器（CPU）跑，約 2 秒一張。

實際找得到嗎：用我自己的資料測

我拿兩批自己的資料，在一台 Mac mini（M2 Pro、16GB）上測：

找得到的，像「生圖一張多少錢的價格表」「Pew 研究的調查」「兩個人在台上對談的照片」，都排第 1 名。找不到的，像「聊天視窗」這種只描述長相的、只有圖示沒有字的架構圖、一張印著名字的形象照。

影片要怎麼處理：截圖，還是直接讀影片？

官方說它吃得了影片，但影片還是得先切小段：一整支丟進去只會得到一組座標，說得出像不像，說不出在第幾分鐘。切法有三種，我用同一支錄影比過：

截得更密沒有更準，直接讀影片最慢，也只能找到「在哪 30 秒內」。課程、講座這類以簡報為主的錄影，用 A 就夠；活動紀錄這類以畫面為主、沒什麼字的，可以 A、C 各試一小段再決定（這是我的推論，還沒拿活動影片測過）。

怎麼開始：三條路

1. 不想碰指令：把下面這段提示詞貼給能在你電腦上動手的 AI 助手（例如 Claude Code、Codex），讓它幫你裝、幫你建好。
2. 想自己動手搜圖片：安裝 Ollama（在自己電腦跑 AI 模型的免費軟體），下載 embeddinggemma-2:740m（只搜圖可以選 440m），再請 AI 幫你寫一個小程式，把資料夾裡的圖一張張轉成座標，存起來就能搜。
3. 要直接讀影片：Ollama 目前不收影片，改用 Google 官方範例裡的 sentence-transformers，這是一套用 Python 程式語言寫的工具，要在電腦裡另外安裝。這條要裝的東西比較多，建議走第 1 條，讓 AI 助手幫你裝。

什麼情況適合用，什麼先不要

常見問題

要錢嗎？

模型免費，在自己電腦跑不用付雲端費用。要有一台夠力的電腦，我用的是 Mac mini M2 Pro、16GB 記憶體。

我的照片、影片會被上傳嗎？

不會。只有第一次下載模型要連網，之後轉座標、搜尋都在自己電腦裡。

中文可以嗎？

官方說支援 100 多種語言，沒有公布中文成績。我用中文句子找中文簡報和圖卡，找得到。

能直接讀影片嗎？

可以，用官方範例的 Python 工具 sentence-transformers；Ollama 目前不行。但直接讀影片比截圖慢很多，以簡報為主的錄影，截圖就夠。

它會幫我整理資料夾、改檔名嗎？

不會。它只負責「找」，要搭配一個小程式或 AI 助手，才能變成你打一句話就跳出結果的工具。

給你的 AI 讀的技術備忘（人可以跳過）

規格（官方來源，2026-11-01 查證）：

• 發布：2026-10-06，Google DeepMind，Apache 2.0。
• 尺寸：同一個 checkpoint 載入不同編碼器。270M 文字與程式碼；440M 加圖片與影片影格；570M 加聲音；740M 全部（實際參數 744,371,488）。
• 向量：原生 768 維，支援 Matryoshka，可縮到 512、256、128（縮完重新 L2 正規化）。
• 上下文：官方 model card 8,192 tokens；Ollama 標籤頁寫 256K，不一致，以官方為準。
• 多語言 MTEB（v2）768 維 61.36；查不到中文專項成績。
• 記憶體：官方數字是量化後在 Pixel 11 Pro 的 active RAM，文字約 191MB、完整多模態約 567MB，不是通用最低需求。

Ollama（伺服器 v0.40.13，embeddinggemma-2:740m，nvfp4）圖片嵌入，官方 API 文件截至 2026-11-01 尚未記載：

• 不從頂層 images 讀圖（實測回空陣列）；{"type": "image"} 回 unknown input field；input.video 被拒。
• ollama show 顯示 embedding length 512，API 實際回 768；官方架構表有 512→768 投影層，可能相關，未確認。

sentence-transformers（本機 Python 3.12 實測，影片要另裝 torchcodec）：

實測細節：

• 影片：2026-10-11 直播 84 分 17 秒。A 每 10 秒 506 張（ffmpeg 1 分 37 秒＋Ollama 3 分 18 秒）；B 每 3 秒 1,686 張（單獨跑估約 14 分鐘）；C 每 30 秒 169 段（單獨跑估約 31 分鐘，約 10 秒一段）。命中標準：前 5 名出現目標那一頁。C 的查詢加 prompt_name="query"，A、B 沒加，條件不完全相同。影片那 5 句是先看過截圖才寫的。
• 圖片：60 張，只看檔名寫 8 句，其中「一朵花」那題的目標其實不是花，不計；有效 7 句，前 5 名命中 4 句（第 1、1、1、4 名；沒中的是第 18、29、52 名）。
• 截圖：ffmpeg -i 影片 -vf "fps=1/10,scale=768:-1" -q:v 4 f_%04d.jpg

判斷不出來適不適合你的資料，把這段貼給你的 AI：