グーグル、音声や動画も扱う埋め込みAI「EmbeddingGemma 2」公開　端末内でも動作

　米グーグルのAI研究部門ディープマインドは10月6日（米国時間）、テキスト、コード、画像、動画、音声を共通のベクトル空間に変換するオープンな埋め込みモデル「EmbeddingGemma 2」を、公式ブログで発表した。パラメータ数は7億4000万で、ライセンスは商用利用が可能なApache 2.0。モデルの重みはHugging FaceとKaggleで公開した。

　埋め込みモデルは、文章や画像などを意味の近さに応じた数値の並び（ベクトル）に変換し、検索やRAG（検索拡張生成）に使う技術だ。EmbeddingGemma 2は、グーグルの軽量マルチモーダルAI、Gemma 4と同じアーキテクチャーを土台にした。

　構成は必要に応じて選べる。モデルカードによると、テキストだけなら2億7000万パラメータで動き、画像用に1億7000万、音声用に3億パラメータのエンコーダーを追加する仕組みだ。

　出力は768次元のベクトルで、Matryoshka Representation Learning（MRL）により512、256、128次元へ縮められる。128次元にすれば、ローカルのベクトルデータベースの保存容量を最大で6分の1に減らせるという。

　量子化した場合、スマートフォン「Pixel 11 Pro」で必要なメモリーは、テキストのみの構成で約191MB、マルチモーダル構成の全体で約567MBとしている。入力の長さは8192トークンで、初代の4倍に広がった。音声なら約5.5分、画像なら29枚、動画なら58フレームまで入力できる。

　性能面では、コード検索の指標「MTEB Code」のスコアが、初代の68.76から78.68へ9.92ポイント上がったという。グーグルは、音声の指標「MAEB」などで、10億パラメータ未満のマルチモーダル埋め込みモデルとして最高水準の性能を達成したと説明している。

　推論には、transformers、sentence-transformers、MLX、vLLM、llama.cpp、SGLang、Ollama、LM Studioが使える。ベクトルの保存にはQdrantを使えるほか、ファインチューニングについてはUnslothが手引きを示している。

　初代のEmbeddingGemmaは2025年9月に公開され、ダウンロード数は2000万を超えたという。