Google が新しい埋め込みモデル「EmbeddingGemma 2」を公開した。文字・画像・音声・動画を1つのベクトル空間に変換し、スマートフォンなど端末上で動く検索・RAGに使える。モデルの重みはHugging FaceとKaggleで公開され、ライセンスは商用利用を認めるApache License 2.0。
- Google が2026年10月6日（米国時間）、文字・画像・動画・音声・コードを1つのベクトル空間に変換する軽量なマルチモーダル埋め込みモデル「EmbeddingGemma 2」を公開した。パラメータ数は7億4,000万（740M）で、端末上での実行を想定した設計だとしている
- 文章を生成するモデルではなく、検索やRAG（検索拡張生成）で「似た意味のデータを探す」部分を担うモデル。テキスト・画像・動画・音声・コードを同じ空間に変換できるため、声で録音したメモから動画の中の場面を探す、文字で入れた言葉で何時間もの録音を探すといった、データの種類をまたいだ検索が1つのモデルでできるとしている
- 量子化した場合、Google Pixel 11 Proでの使用メモリ（active RAM）はテキストのみの重みで最小約191MB、画像・音声も使う全モダリティの構成で約567MBだとしている。処理が端末内で完結するため、インターネット接続が無くても動き、検索対象のデータを外部に送信しなくてよいとしている
- 前世代の「EmbeddingGemma」と比べ、コード検索のベンチマーク「MTEB Code」の数値が68.76から78.68に伸びたと説明している（この指標が何を測るかの詳細は発表にない）
- モデルの重みはHugging FaceとKaggleで公開されている。ライセンスは商用利用を認めるApache License 2.0だとしている。料金のページは発表には無く、API利用料のような仕組みも、ダウンロードの費用の有無も示されていない
- Google AI EdgeのMediaPipeやLiteRT、Androidの「ML Kit」（近日提供）など複数の経路で組み込めるとしている。端末上での実行向けの設計だが、発表はtransformersやvLLM、llama.cpp、SGLang、Ollamaなどでモデルを動かす経路も挙げている。前世代のEmbeddingGemmaは公開から2,000万件超のダウンロードがあったという
確かめた一次資料
- EmbeddingGemma 2: an open, lightweight multimodal embedding model ↗
- Bring multimodal semantic search to the edge with EmbeddingGemma 2 ↗
この記事は、上の一次資料の原文を読んで書いています。数字は原文のとおりで、計算した値はそう書いています。