Google「EmbeddingGemma 2」公開 740Mで画像・音声・動画も端末内検索

Google DeepMindは2026年10月6日、オープンなマルチモーダル埋め込みモデル「EmbeddingGemma 2」を公開した。Gemma 4アーキテクチャを基盤とする740Mパラメーターのモデルで、テキストとコードに加え、画像、動画、音声を同じ768次元のベクトル空間へ変換できる。Apache 2.0ライセンスで提供され、Hugging FaceやKaggleからモデルを入手できる。

270Mから740Mまで必要な機能だけをロード

構成は270Mのテキストモデルを中心に、170Mの視覚エンコーダーと300Mの音声エンコーダーを必要に応じて追加する方式。テキストのみなら270M、テキスト＋画像・動画なら440M、テキスト＋音声なら570M、全機能では740Mとなる。Googleによると量子化したPixel 11 Pro上で、テキストのみなら約191MB、フル構成でも約567MBのアクティブRAMで動作する。

コンテキスト長は前世代の4倍となる8192トークンで、最大約5.5分の音声、29枚の画像、58フレームの動画を扱えるとしている。Matryoshka Representation Learningにより、768次元の出力を512、256、128次元へ短縮でき、ローカルのベクトルデータベースでは最大6分の1まで保存容量を削減できる。

ローカルRAGやコード検索にも対応

Google公称値ではMTEB Codeのスコアが前世代の68.76から78.68へ9.92ポイント上昇した。端末内でのセマンティック検索やRAG、分類、コードベース検索などを想定しており、sentence-transformers、vLLM、llama.cpp、Ollama、LM Studio、MLXなどにも対応する。クラウドへ写真や録音データを送らず、端末内だけで異なる種類のデータを横断検索できる点が特徴となる。