Embedding Gemma 2 の紹介
EmbeddingGemma 2 (blog.google)
要約
Google DeepMindは、テキスト、画像、音声、動画を統一された埋め込み空間にマッピングする、オープンで軽量なマルチモーダル埋め込みモデル「Embedding Gemma 2」を発表しました。このモデルは、7億4000万パラメータを持ち、オンデバイスでの推論に最適化されており、プライバシーを保護しつつ、クロスモーダル検索やRAGパイプラインを強化します。
全文翻訳
EmbeddingGemma 2: オープンで軽量なマルチモーダル埋め込みモデル
2026年10月6日
EmbeddingGemma 2は、テキスト、画像、音声、動画の組み合わせをネイティブに統一された埋め込み空間にマッピングできる、オンデバイスでのマルチモーダル埋め込みに最適なモデルです。
Sahil Dua
リサーチエンジニア、Google DeepMind
Henrique Schechter Vera
リサーチエンジニア、Google DeepMind
[画像: EmbeddingGemma 2]
[音声]
お使いのブラウザは音声要素をサポートしていません。
記事を聞く
[duration] 分
このコンテンツはGoogle AIによって生成されました。生成AIは実験的なものです。
昨年、私たちはEmbeddingGemmaを発表し、高品質なテキスト埋め込みのための軽量なオプションを提供し、アプリが消費者向けハードウェア上で直接情報を整理、検索、接続できるようにしました。開発者コミュニティからの反響は私たちの予想をはるかに超えました。2000万ダウンロード以上を経て、開発者はこのモデルを使用して、よりスマートなオンデバイス検索ツールやプライバシーを重視した検索拡張生成(RAG)パイプラインを構築してきました。
本日、私たちはEmbeddingGemma 2を発表します。これは、テキストを超えて、コード、画像、動画、音声を共有の埋め込み空間に統合するものです。Gemma 4アーキテクチャ上に構築され、商用利用可能なApache 2.0ライセンスでリリースされたEmbeddingGemma 2は、7億4000万パラメータを持ち、オンデバイス推論に最適です。音声メモから特定のビデオクリップを見つけたり、テキストクエリに基づいて数時間の音声録音を検索したりするなど、すべてを単一のネイティブマルチモーダルモデルで処理できます。
Gemini Embeddingモデルと同じ技術で構築されたEmbeddingGemma 2は以下の特徴を持ちます。
- サイズあたりのクラス最高性能: MTEB(Massive Text Embedding Benchmark)CodeやMAEB(Massive Audio Embedding Benchmark)などのベンチマークにおいて、1B未満のマルチモーダル埋め込みモデルの中でサイズあたりのスコアがトップクラスであり、テキスト、ビジョン、オーディオタスク全体で多くのより大きなモデルに匹敵するか、それを上回ります。
- モジュール設計: テキストのみのワークロードではわずか2億7000万パラメータで済み、完全なマルチモーダルサポートのためにオプションのビジョン(1億7000万)およびオーディオ(3億)エンコーダーを追加できます。
- ストレージ効率: Matryoshka Representation Learning(MRL)を使用することで、開発者は出力ベクトルを768次元から512、256、または128次元に動的に切り捨てることができます。これにより、ローカルベクトルデータベースやメモリ使用量のストレージを最大6倍削減できます。
- オンデバイスパフォーマンスに最適化: 厳しいリソース制約下でも効率的に動作します。量子化により、Google Pixel 11 Proでは、テキストのみの重みで約191MB、完全なマルチモーダルモデルで約567MBのRAMしか必要としません。
- 拡張コンテキスト対応: 8Kトークンのコンテキストウィンドウ(EmbeddingGemma 1の4倍)を備えており、ローカルハードウェア上で直接、最大5.5分の音声、29枚の画像、58個のビデオフレーム、またはそれらのインターリーブされた組み合わせを処理できます。
コード、ビジョン、オーディオにおけるトップクラスの品質を実現
EmbeddingGemma 2は、EmbeddingGemmaの強力な多言語テキストパフォーマンスを維持しつつ、コードパフォーマンスにおいて9.92ポイントの大幅な改善(MTEB Codeで68.76から78.68へ)をもたらし、ローカルコードベースのインデックス作成、セマンティックコード検索、コーディングエージェントの検索に最適です。画像、動画、ドキュメント、オーディオ全体で、1B未満のモデルにおけるパラメータあたりの品質の新基準を設定し、サイズが2倍以上の専門モデルさえも上回っています。
[画像: Massive Text Embedding Benchmark (Code)]
[画像: Massive Image Embedding Benchmark (Lite)]
[画像: Massive Audio Embedding Benchmark]
完全な評価メトリクスとモデル情報は、EmbeddingGemma 2モデルカードで確認できます。
セマンティック検索、ルーティング、検索を完全にオンデバイスで実現
EmbeddingGemma 2は、堅牢な機能をエッジハードウェアに直接提供します。ローカルで埋め込みを生成することで、データのプライバシーを確保し、パイプラインの遅延を削減し、開発者が完全にオフラインで動作するクロスモーダル検索と検索システムを構築できるようにします。
Gemma 4のような生成モデルと組み合わせることで、EmbeddingGemma 2は複雑なマルチモーダルデータを理解するオンデバイスRAGパイプラインを可能にします。EmbeddingGemma 2はGemma 4上に構築され、そのテキストトークナイザーとオーディオエンコーダーを共有しているため、開発者は両方のモデルを統合パイプラインで、より低い合計メモリフットプリントで実行できます。
LiteRTを使用してオンデバイス検索およびRAGシステムを構築する方法については、Google AI Edgeブログ記事をお読みください。
EmbeddingGemma 2の開始方法
私たちは、EmbeddingGemma 2が開発環境ですぐに動作するように、以下のパートナーと緊密に協力しました。
- モデルのダウンロード: モデルの重みはHugging FaceおよびKaggleで見つかります。Gemini Enterprise Agent Platform Model Gardenでの提供も間もなく開始されます。オンデバイス用に最適化されたモデルについては、Hugging FaceのLiteRTコミュニティをご覧ください。
- オンデバイスデプロイメント: Google AI EdgeのMediaPipeを使用してターンキーの埋め込み、検索、決定タスク用のクロスプラットフォームアプリを開発するか、LiteRTを使用してカスタムモデル統合を行います。ブラウザ向けにはtransformers.jsまたはWebGPUで構築できます。
- お気に入りの開発ツールを使用: transformers、sentence-transformers、MLX、vLLM、llama.cpp、SGLang、Ollama、LMStudioを使用してモデルを効率的に提供します。埋め込みベクトルはQdrantで保存します。
- ファインチューニング: Unslothのガイダンスに従って、ユースケースに合わせてEmbeddingGemma 2をファインチューニングする方法を確認してください。
開発者ガイド、ドキュメント、および推論およびファインチューニングのガイドをご覧ください。