Google、マルチモーダル「EmbeddingGemma 2」公開

米Googleは2026年10月6日（現地時間）、テキストだけでなくソースコード・画像・動画・音声を同一の埋め込み空間に統合するオープンなマルチモーダル埋め込みモデル「EmbeddingGemma 2（Googleが開発した740Mパラメータのオープンマルチモーダル埋め込みモデル）」を発表しました。商用利用が可能なApache 2.0ライセンスのもと、Hugging FaceやKaggleでモデル重みが公開されています。

軽量モジュラー設計とオンデバイス実行能力

EmbeddingGemma 2は「Gemma 4」アーキテクチャをベースに構築され、Geminiの埋め込みモデル群と同じ技術を活用しています。全体のパラメータ数は約7億4,000万（740M）で、スマートフォンやエッジデバイス上でのローカル推論に最適化されています。

主な仕様と性能上の特徴は以下の通りです：

• ​モジュラー構成​​：テキスト専用用途であればわずか270Mパラメータで動作します。必要に応じて視覚エンコーダ（170M）や音声エンコーダ（300M）を追加構成でき、用途に合わせた省リソース運用が可能です。
• MRL（Matryoshka Representation Learning）による次元圧縮​​：標準の768次元ベクトルから、512次元、256次元、128次元へと精度を保ちながら動的に切り詰めることができます。ローカルのベクトル検索エンジンにおけるメモリ消費やストレージ容量を最大6分の1に削減可能です。
• ​実機での低フットプリント​​：量子化を適用した場合、Google Pixel 11 Pro上でテキスト専用構成は約191MBのRAM、フルマルチモーダル構成でも約567MBのRAMで軽快に動作します。
• 8Kトークンのコンテキスト​​：前世代比で4倍となる8,192トークンのコンテキストウィンドウを備え、最大5.5分の音声、29枚の静止画、58フレームの動画、またはこれらが混在した入力を単一モデルで処理できます。
• ​コード検索性能の大幅向上​​：MTEB（Massive Text Embedding Benchmark）Codeのスコアが前世代の68.76から78.68へと9.92ポイント向上し、ローカルコードベースのインデックス作成やコーディングエージェントの検索精度を高めています。

独自価値要素：初代EmbeddingGemmaとの比較

初代モデルからの進化点を整理した比較は以下の通りです。

比較項目	EmbeddingGemma（初代）	EmbeddingGemma 2
​対応モダリティ​	テキストのみ	テキスト、コード、画像、動画、音声（共有空間）
​パラメータ規模​	軽量テキストモデル	740M（モジュラー構成：270M〜740M）
​コンテキスト長​	2Kトークン	8Kトークン（音声5.5分、動画58フレーム対応）
​コード検索スコア（MTEB）​	68.76	78.68（+9.92ポイント向上）
​ベクトル次元数の動的圧縮​	固定次元	MRL対応（768次元から128次元まで動的削減）
​ライセンス​	Gemma利用規約	Apache 2.0（商用利用可能）

Gemma 4と共通のテキストトークナイザーおよび音声エンコーダーを採用しているため、ローカル生成モデルと組み合わせた場合にも重複メモリを排除でき、デバイス全体のメモリ占有率を大幅に抑えられます。

分析・展望：プライバシー重視のオンデバイスマルチモーダルRAG

EmbeddingGemma 2の登場により、これまでクラウドの大規模APIに頼らざるを得なかった画像・音声・テキストの横断検索が、ユーザー端末内で完結する環境が整いました。

音声メモから合致する動画クリップを探し出したり、写真ライブラリから自然言語で特定の場面を瞬時に絞り込んだりする処理が、通信不要かつデータ漏洩リスクのないオフライン状態で実行可能になります。Apache 2.0という制約の少ないライセンスと、MediaPipeやLiteRT、Ollama、llama.cppといった広範なエコシステム対応が後押しとなり、モバイルアプリやデスクトップツールにおけるローカルAI機能の標準コンポーネントとして普及が進むとみられます。

引用元：Google | Guillaume Laforge | 窓の杜 | huggingface.co