出典：DeepMind公式
詳細を読む
Googleは2026年10月6日、テキスト、コード、画像、動画、音声を一つの空間で扱う埋め込みモデル「EmbeddingGemma 2」を公開しました。Gemma 4を基盤とする7億4000万パラメーターの軽量モデルで、商用利用しやすいApache 2.0ライセンスを採用し、端末内で検索やRAGを動かす開発者の選択肢を広げます。
特徴は、用途に応じて構成を変えられるモジュール設計です。テキスト処理は2億7000万パラメーターから利用でき、画像用1億7000万、音声用3億の各エンコーダーを加えることでマルチモーダル処理に対応します。
出力ベクトルは768次元から512、256、128次元へ短縮でき、Googleによるとローカルのベクトルデータベースとメモリーの保存量を最大6分の1にできます。量子化したPixel 11 Proでは、重みのアクティブRAM使用量がテキストのみで約191MB、全機能で約567MBです。
文脈長は前世代の4倍となる8Kトークンで、端末上で最長5.5分の音声、29枚の画像、58フレームの動画などを処理できます。MTEB Codeのスコアは68.76から78.68へ9.92ポイント向上し、Googleは10億パラメーター未満の複数ベンチマークで同規模モデルを上回ったと説明しています。
開発者は音声メモから動画場面を探す横断検索や、ローカルのコード検索、オフラインRAGに活用できます。モデルはHugging FaceとKaggleで配布され、MediaPipe、LiteRT、transformers、llama.cpp、Ollamaなど複数の実行環境に対応します。