ニュース

Google、画像や動画にも対応する「EmbeddingGemma 2」を発表

  • 編集部：中野信二

2026年10月9日 12:53

オープンマルチモーダルモデル「EmbeddingGemma 2」

　Googleは10月6日、テキストから動画まで扱える軽量なオープンマルチモーダルモデル「EmbeddingGemma 2」を発表した。現在、Hugging FaceやKaggleからモデルの重みをダウンロード可能。MediaPipeやLiteRTなどを用いたオンデバイスデプロイ、各種開発ツールとの連携に対応している。

　EmbeddingGemma 2はテキストだけでなく、コード、画像、動画、音声を共有の埋め込み空間に統合する。Gemma 4アーキテクチャをベースに構築され、商用利用が可能なApache 2.0ライセンスでリリースされた。パラメータ数は7億4000万個であり、オンデバイスでの推論に最適化されている。

　主な特徴として、10億未満のマルチモーダル埋め込みモデルの中で、MTEB CodeやMAEBなどのベンチマークでサイズ対比で優れたスコアを記録している。また、テキストのみのワークロードには2億7000万個のパラメータ、画像（1億7000万個）と音声（3億個）のエンコーダーを組み合わせるモジュール設計を採用している。

　さらに、マトリョーシカ表現学習（MRL）を用いることで出力ベクトルを768次元から512、256、128次元へ動的に切り詰めることができ、ローカルのベクトルデータベースやメモリ使用量によるストレージ効率を高めている。

　リソース制限のある環境でも効率的に動作し、量子化を使用した「Google Pixel 11 Pro」では、テキストのみのウェイトで約191MB、完全なマルチモーダルモデルで約567MBのRAMを占有する。

　また、コンテキストウィンドウは前モデルの4倍となる8Kトークンに対応し、最大5.5分の音声、29枚の画像、58フレームの動画などをローカルハードウェア上で直接処理できる。

URL