- テキスト・コード・画像・動画・音声を1つの埋め込み空間で扱うマルチモーダル対応
- 7億4,000万パラメータ、Apache 2.0ライセンス。テキストのみなら2億7,000万で動作
- 量子化時、Pixel 11 Proでテキスト約191MB・フル構成約567MBのメモリで実行可能
何が発表されたのか
Google DeepMindは2026年10月6日、オンデバイス向けの埋め込みモデル「EmbeddingGemma 2」を公開しました。前世代のEmbeddingGemmaは昨年、高品質なテキスト埋め込みを端末上で動かすための軽量な選択肢として提供され、2,000万件を超えるダウンロードを記録したと説明されています。今回は対象をテキストから広げ、コード・画像・動画・音声を1つの埋め込み空間にまとめて写像できるようにした点が最大の変更です。
モデルはGemma 4アーキテクチャを基盤とし、Apache 2.0ライセンスで公開されます。パラメータ数は7億4,000万で、オンデバイス推論に適した規模とされています。同社は「音声メモから特定の動画クリップを探す」「テキストの問い合わせで数時間分の音声録音を検索する」といった用途を挙げ、これらを単一のネイティブなマルチモーダルモデルで処理できるとしています。
設計上の工夫
EmbeddingGemma 2はモジュール構成を採用しています。テキストのみの処理であれば2億7,000万パラメータで動作し、必要に応じて視覚用の1億7,000万パラメータ、音声用の3億パラメータのエンコーダを追加してマルチモーダルに対応します。
ストレージ効率を高める仕組みとしてMatryoshka Representation Learning(MRL)を採用しています。出力ベクトルを768次元から512、256、128次元へ動的に切り詰められ、ローカルのベクトルデータベースにおいて最大6倍のストレージ削減が可能だとしています。量子化を併用した場合、Google Pixel 11 Proではテキストのみの重みで約191MB、フルマルチモーダルで約567MBのアクティブRAMで動作します。
コンテキスト長は8Kトークンで、前世代の4倍です。原文によれば、5.5分の音声、29枚の画像、58フレームの動画、あるいはそれらを交互に組み合わせた入力を端末上で処理できるとされています。
品質はどこまで上がったか
同社は、前世代の強みである多言語テキスト性能を維持しつつ、コード性能が大きく向上したと報告しています。MTEB Codeのスコアは68.76から78.68へと9.92ポイント改善しました。ローカルでのコードベースのインデックス作成、意味的なコード検索、コーディングエージェントの検索に向くと説明されています。
画像・動画・文書・音声については、10億パラメータ未満のモデルの中で「パラメータあたりの品質」で新たな標準を打ち立て、サイズが2倍以上ある専用モデルを上回る場合もあるとしています。ベンチマークにはMTEB CodeとMAEB(Massive Audio Embedding Benchmark)が挙げられており、詳細な評価指標はモデルカードに掲載されています。
開発環境と未公表の点
モデルの重みはHugging FaceとKaggleで入手でき、Gemini Enterprise Agent PlatformのModel Gardenでの提供も予定されています。オンデバイス向けにはGoogle AI EdgeのMediaPipeやLiteRT、ブラウザ向けにはtransformers.jsやWebGPUが示されています。推論にはtransformers、sentence-transformers、MLX、vLLM、llama.cpp、SGLang、Ollama、LMStudioなどが利用でき、ベクトルの保存先としてQdrantが挙げられています。
EmbeddingGemma 2はGemma 4を基盤とし、テキストトークナイザと音声エンコーダを共有しています。このため両モデルを同じパイプラインで動かすと、合計のメモリ使用量を抑えられるとのことです。ファインチューニングの手順についてはUnslothのガイダンスが案内されています。
一方、原文ではGoogle Pixel 11 Pro以外の端末でのメモリ使用量や推論速度、量子化の条件といった詳細は示されていません。EmbeddingGemma 1から2への移行手順や後方互換性についても明記されていません。
| 項目 | EmbeddingGemma 1 | EmbeddingGemma 2 |
|---|---|---|
| 対応するモダリティ | テキスト | テキスト・コード・画像・動画・音声 |
| コンテキスト長 | 2Kトークン(8Kの4分の1) | 8Kトークン |
| MTEB Codeスコア | 68.76 | 78.68 |
| ライセンス | 原文に記載なし | Apache 2.0 |
| パラメータ数 | 原文に記載なし | 7億4,000万(テキストのみ2億7,000万) |
With more than 20 million downloads, builders have used it to power smarter on-device search tools and privacy-first retrieval augmented generation (RAG) pipelines.
2,000万件を超えるダウンロードを経て、開発者たちはこれを使って、より賢いオンデバイス検索ツールや、プライバシーを優先した検索拡張生成(RAG)パイプラインを動かしてきました。
今後の見通し
Gemini Enterprise Agent PlatformのModel Gardenへの提供が予定されており、企業のエージェント基盤に組み込みやすくなるとみられます。今後は、Hugging FaceやKaggleで公開された重みを使った実測値が開発者コミュニティから共有されるかが焦点になります。特に、Pixel 11 Pro以外の端末でのメモリ使用量やレイテンシ、量子化の有無による精度差が明らかになれば、実運用に耐えるかどうかを判断できるでしょう。EmbeddingGemma 1からの移行互換性や、Gemma 4と組み合わせたRAGパイプラインの実効性能についても、今後のドキュメントや導入事例の公開を待ちたいところです。
日本の開発者・IT企業にとっての意味
オンデバイスで完結するマルチモーダル埋め込みは、日本のIT企業にとって実務上の選択肢を広げます。社内の音声議事録や画像・動画資産をクラウドに送らずに検索できるため、機密性の高い業務や通信制限のある現場でもRAGを構築しやすくなります。Apache 2.0ライセンスなので商用製品への組み込みも可能で、7億4,000万パラメータという規模はスマートフォンやエッジ機器での実行を現実的にします。MRLによる次元削減は、ベクトルDBのストレージコストを直接下げられる点も見逃せません。ただし原文が示すメモリ数値はPixel 11 Proかつ量子化時のもので、自社デバイスでの性能は実測が必要です。日本語を含む多言語テキスト性能が前世代と同等とされているため、既存の日本語RAGの検索精度を保ったままモダリティを広げられるかが検証ポイントになります。
気になる点
- 商用製品に組み込めますか
- EmbeddingGemma 2はApache 2.0ライセンスで公開されると原文に明記されています。Apache 2.0は商用利用や改変、再配布を許容するライセンスです。ただし実際の組み込み時は、利用するモデル配布元のライセンス表記や、同社が示す利用条件をあわせて確認することをおすすめします。
- どのくらいのメモリがあれば動きますか
- 原文では、量子化した場合にGoogle Pixel 11 Proでテキストのみの重みが約191MB、フルマルチモーダルで約567MBのアクティブRAMを必要とすると示されています。ただしこれはPixel 11 Proでの数値であり、他の端末や量子化条件での具体的な数値は公表されていません。
- EmbeddingGemma 1から置き換えられますか
- テキスト埋め込みの品質は前世代と同等とされており、テキスト用途であれば置き換えの候補になります。ただし、ベクトル次元や入出力の互換性、移行手順についての記載は原文になく、既存のベクトルデータベースをそのまま使えるかは現時点では公表されていません。
用語解説
- 埋め込み(embedding)
- テキストや画像などを、意味の近さが距離で表せる数値ベクトルに変換したもの。
- RAG
- 検索拡張生成。外部データを検索し、その結果を生成AIに渡して回答の根拠にする手法。
- MRL
- Matryoshka Representation Learning。ベクトルの先頭部分を切り詰めても精度を保てるように学習する手法。
- 量子化
- モデルの重みを少ないビット数で表現し、メモリ使用量と計算量を削減する技術。
- Apache 2.0ライセンス
- 商用利用や改変、再配布を許容する寛容なオープンソースライセンス。
- オンデバイス推論
- クラウドを介さず、スマートフォンなどの端末上でモデルを実行すること。
出典
EmbeddingGemma 2: an open, lightweight multimodal embedding model
https://deepmind.google/blog/embeddinggemma-2-an-open-lightweight-multimodal-embedding-model
AI導入も顧問も、お任せください
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。
AI導入について相談する