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7日原文(blog.google)

概要

EmbeddingGemma 2 は、テキスト・画像・音声・動画を統合的に扱う マルチモーダルエンベディングモデル
Gemma 4アーキテクチャ を基盤とし、商用利用可能な Apache 2.0ライセンス で提供
ストレージ効率・オンデバイス最適化 ・高精度を実現
ローカル処理 によるプライバシー保護と低遅延
幅広い開発環境・パートナー連携 により、導入が容易

EmbeddingGemma 2：オンデバイス・マルチモーダルエンベディングの最先端

EmbeddingGemma 2 は、テキスト・画像・音声・動画・コードを 統一エンベディング空間 で扱うモデル
Gemma 4アーキテクチャ をベースに、 パラメータ数740M でオンデバイス推論に最適化
Apache 2.0ライセンス で商用利用が可能
20M超のダウンロード実績 を持つEmbeddingGemmaの後継
Gemini Embedding と同等技術を採用

主な特徴

サイズ別ベンチマーク最高性能 ：MTEB CodeやMAEBなどで サブ1Bモデル中トップクラス のスコア
モジュラー設計 ：テキストのみ（270M）、画像（170M）、音声（300M）エンコーダを 用途に応じて選択可能
ストレージ効率 ：Matryoshka Representation Learning（MRL）により ベクトル次元を動的縮小 （768→128次元）、 最大6倍の省メモリ
オンデバイス最適化 ：Google Pixel 11 Proで テキストのみ約191MB、フルモデル約567MB のRAM消費
拡張コンテキストウィンドウ ： 8Kトークン対応 で、 5.5分の音声・29枚の画像・58フレームの動画 や組み合わせをローカル処理

高精度なコード・画像・音声対応

多言語テキスト性能 はEmbeddingGemma同等
コード性能大幅向上 （MTEB Codeスコア：68.76→78.68、9.92ポイント増）
画像・動画・ドキュメント・音声 でもサブ1Bモデル中最高水準、 2倍以上大きい専門モデルを凌駕
詳細な評価指標やモデル情報は EmbeddingGemma 2モデルカード 参照

オンデバイスでのセマンティック検索・RAG

エッジハードウェア上で直接エンベディング生成
プライバシー保護・低レイテンシ ・完全オフライン動作
Gemma 4と組み合わせたRAGパイプライン 構築が容易
テキストトークナイザー・音声エンコーダの共有 で 低メモリ統合運用 が可能
LiteRT によるオンデバイス検索・RAG構築手法は Google AI Edgeブログ 参照

EmbeddingGemma 2の導入方法

モデルダウンロード ：Hugging Face・Kaggleで提供、 Gemini Enterprise Agent Platform Model Garden も近日対応予定
- LiteRT Community （Hugging Face）でオンデバイス最適化モデル入手可
オンデバイス展開 ：
- Google AI Edge MediaPipe でクロスプラットフォーム展開
- LiteRT でカスタム統合
- transformers.js/WebGPU でブラウザ対応
開発ツール対応 ：
- transformers, sentence-transformers, MLX, vLLM, llama.cpp, SGLang, Ollama, LMStudio で効率的なモデル提供
- Qdrant でエンベディングベクトル管理
ファインチューニング ：
- Unsloth によるファインチューニングガイドを参照
開発者ガイド・ドキュメント ・推論/ファインチューニング手順も提供

まとめ

EmbeddingGemma 2 は、 オンデバイスでのマルチモーダル検索・RAG に最適な 軽量・高性能モデル
プライバシー重視 ・ ストレージ効率 ・ 幅広い開発環境対応 が特長
エッジAIアプリケーション の新たな可能性を創出

Hackerたちの意見

やっとだね。LLMやエージェントの動きに変化があったのに、良い中規模の埋め込みモデルがなかったからちょっとイライラしてたんだ。このモデルはマルチモーダルだし！テキストだけで270Mは、古い埋め込みモデルと比べてすごくいいし、テキストとビジョン合わせて440Mも悪くないね。実は、EmbeddingGemma用に調整したもっと速いローカル埋め込み作成ツールも持ってるかもしれないけど、いい埋め込みモデルが出るまでリリースしたくなかったんだ。

└

ビデオだけじゃなくて、音声も対応してるのが本当にすごいね。例えば、いくつかの単語とその音声、またはテキストが扱われている画像のペアの近接性をどう処理するのか、ちょっとわからないけど。この技術でローカルマルチモーダル検索を作るのは面白そう。CLIPを使ってこのあたりを探求したことがあるけど、画像（音声もだけど）の埋め込みが、クリーンな「テキスト」コンテンツ情報だけじゃなくて、スタイルやビジュアル/音声のトーン情報も持ってるのが興味深い。これらは線形に分けられることもあるしね。

└

Opus 5.5が画像と音声入力のサポートを追加した後の、私の仮想ツールの数値更新（動画サポートもffmpeg経由で追加したし、なんでやらないの？）をM3 Proで試した結果は以下の通り： - テキスト：小さいテキストで78エンベディング/秒 - 画像：4エンベディング/秒 - 音声：30秒ごとのチャンクで6エンベディング/秒（これがエンコーダーの動き方） - 動画：1分あたり0.2エンベディング/秒（エンコーダーが1fpsだから、あまり驚きではないけど）。この大きなモデルをローカルのラップトップで動かすには悪くない数字だね。ただ、M3 Proは数年前のもので、M5 Ultraなら最低でも5倍は速くなると思う。

EmbeddingGemma 2がApache 2.0ライセンスの下にあるのは本当にありがたい。特に埋め込みモデルに関しては、クローズドでプロプライエタリなホスティング専用モデルを使うのは意味がないと思う。埋め込みモデルのほとんどのアプリケーションは、何千、何百万もの埋め込みベクトルを計算して保存し、後で比較することが含まれるからね。もしモデルがプロプライエタリなら、ベンダーはいつかそのモデルの提供をやめる可能性が高い。新しいモデルで置き換えるかもしれないけど、保存した何百万ものベクトルを再計算するためにはお金がかかるし。（2024年4月にOpenAIが「新しいモデルでコンテンツを再埋め込みするユーザーの費用を負担する」と提案したけど、これはすべてのプロバイダーに期待できることじゃないと思う。）特に、自分でモデルをホストしたくないんだ。プロバイダーにホスティングモデルの料金を払いたいけど、もし彼らがホスティングをやめたら、オープンウェイト版を自分で動かせることがわかってるのが大事だね。もしくは、そうしてくれる別のベンダーを見つけることができるかもしれないし。

└

ゴールデンテストがあるといいよね。CPUからGPUに切り替えるだけでも、トークンが変わることがあるし。

なんでこれがsiglip2（これもGoogle製）と比較されないの？完全にマルチモーダルじゃないから？それとも別の組織/チームだから？

└

そういえば、EG2にはエンコーダーがないから、OCRには使えないよね。

GoogleがOSS（または少なくともオープンウェイト＋ライセンス）を提供してくれてるのは素晴らしいね。おそらく、彼らがAndroidフォンに搭載するものにかなり近いモデルだろうし。

パラメータの内訳が面白いね：合計740M（テキスト270M、ビジョン170M、音声300M）

└

理にかなってるね… ビジョンは静止画像を処理するだけだから（だから一番小さい）。テキストは人間の言語のエントロピーを扱う必要があるし、音声は時間がなければ意味がない。

これがhttps://www.voyageai.com/のテキスト用埋め込みモデルとどう比較されるか見てみたいな。過去に何度か使ったことがあるけど、ここでのQwenモデルよりも優れてると思ったよ。

└

しばらくこの分野から離れてたけど、Voyageは超ニッチなビジネスドメイン以外では本気の競争相手じゃなかったと思う。多分、9割以上のユースケースではこれが有利だと思うよ。

Hacker Newsで議論の続きを見る

ハクソク