EmbeddingGemma 2、マルチモーダル検索をスマートフォンで実現

Google DeepMindは2026年10月6日、EmbeddingGemma 2を公開した。テキスト、コード、画像、動画、音声を、共通の空間にあるベクトルに変換するオープンモデルである。パラメーターは7億4000万で、Apache 2.0ライセンスで提供される。Googleの開発者ガイドによると、テキストのみのバージョンはスマートフォン上で約191 MBのメモリで動く。これにより、ユーザーの写真、音声メモ、文書をサーバーに送らずに検索することが現実的になる。

エンベディングモデルの役割

エンベディングモデルは、コンテンツを「ベクトル」と呼ばれる数値のリストに変換する。似たコンテンツは似たベクトルになる。検索は、クエリに最も近いベクトルを探す作業になる。

これがRAG、つまり検索拡張生成の土台だ。アプリは言語モデルに回答させる前に、関連する文書を見つける。EmbeddingGemma 2は、あらゆる種類のメディアを同じ空間に置く。そのため「浜辺の犬」というテキストのクエリで、写真、動画のフレーム、音声クリップを直接見つけられる。

エッジ向けガイドは、これを「テキスト、画像、動画フレーム、音声を単一の統一されたベクトル空間に写すモデル」と説明している。

仕組み

このモデルは、1つのエンベディング空間を共有する積み重ね可能なエンコーダーでできている。

部品	パラメーター
テキストとコードのエンコーダー	2億7000万
ビジョンエンコーダー	1億7000万
オーディオエンコーダー	3億
合計	7億4000万

積み重ね可能とは、テキストのみのアプリなら2億7000万の中核部分だけを読み込み、必要なときだけビジョンやオーディオを足せるという意味だ。

出力は768次元のベクトルである。Matryoshka Representation Learningを使えば、512、256、128次元まで削れる。これは、各ベクトルの先頭に最も重要な情報を詰め込む学習手法だ。Googleによると、128次元ならストレージは6分の1になる。開発者ガイドは「テキストとコードでは元のエンベディングの品質の大部分が保たれ、画像、動画、音声の検索では約95%が保たれる」と述べている。

コンテキストウィンドウは8192トークンで、初代の4倍だ。Unite.AIは、1回の呼び出しに収まる量を挙げている。

• 画像29枚（各280トークン）
• 動画フレーム58枚（各140トークン）
• 音声5.5分（1秒あたり25トークン）

Unite.AIはさらに、このモデルが100を超える言語に対応し、学習データのカットオフは2025年1月だと付け加えている。

ベンチマークと速度

テスト	EmbeddingGemma 2	出典
MTEB Code	78.68（EmbeddingGemma 1：68.76）	Unite.AI、Crypto Briefing
MTEB multilingual	61.36	Unite.AI
MMEB v2 画像検索	57.28	Unite.AI
MMEB v2 動画検索	50.67	Unite.AI
MSEB 音声	69.54	Unite.AI

コードのスコアが最大の伸びで、9.92ポイント上がった。Googleのガイドは、これを初代より14%高いと説明している。

ハードウェアについて、Googleは量子化を使った場合、Pixel 11 Proでテキストのみなら約191 MB、フルのマルチモーダルなら約567 MBのRAMが必要だと報告している。エッジ向けガイドは、MacBook M5 ProのGPUで画像1枚のエンベディングに37.3ミリ秒かかり、毎秒26.9枚だったと計測した。

同じガイドは、このモデルが学習なしで、入力を500の選択肢から100ミリ秒未満で振り分けられると述べている。これは、CloudflareのClefのような新しい種類の判断モデルに近い。

入手先

重みは、Hugging Faceにgoogle/embeddinggemma-2として、またKaggleとLiteRT Communityにある。Crypto Briefingは、sentence-transformers、Hugging Face transformers、LiteRTとMediaPipe、MLX、Ollamaでの対応を挙げている。Googleは、量子化済みのLiteRTバンドルも.litertlmファイルとして提供している。Googleは、会議メモをオフラインで作成する実験的なMacアプリAI Edge Foresightでもこのモデルを使っている。

開発者にとっての意味

• 検索をデバイスに移す。 テキストなら約191 MBなので、モバイルアプリに収まる。プライベートなコンテンツをローカルで索引化できる。Unite.AIによると、これは個人のファイルが「検索可能にするためだけにサーバーへアップロードされなくてよい」ことを意味する。
• 切り詰めでストレージを減らす。 ベクトルデータベースが大きいなら、256次元か128次元を試すとよい。Googleは、128次元でテキストの品質の大部分を保ちつつ6分の1になると報告している。
• モデルを変えたら再エンベディングする。 EmbeddingGemma 1と2のベクトルは互換性がない。混ぜずに、全面的な再索引化を計画すること。
• コード検索で試す。 MTEB Codeで9.92ポイント上がったので、リポジトリ検索とコードRAGで試す価値がある。
• 必要なエンコーダーだけ読み込む。 テキストのみの機能に、ビジョンとオーディオのエンコーダーの4億7000万パラメーターは要らない。負荷が小さいほど、スマートフォンでの起動は速くなる。

まず、自分のクエリで、今使っているエンベディングモデルと比べてみること。公開ベンチマークは方向性を示し、自分のデータが本当の改善幅を示す。