EmbeddingGemma 2:オープンで軽量なマルチモーダル埋め込みモデル
Googleは、テキスト、画像、音声、動画を共通の埋め込み空間に変換し、まとめて検索・比較できるオープンソースモデルEmbeddingGemma 2を公開した。Gemma 4アーキテクチャ上の7億4000万パラメータで、ローカルデバイス向けに設計され、出力ベクトルを小さくすることもできる。
記事の内容
Googleは2026年10月6日、テキスト、画像、音声、動画を単一のベクトル空間に配置する、オープンソースで軽量なマルチモーダル埋め込みモデルEmbeddingGemma 2を発表しました。Gemma 4をベースにした7億4,000万パラメータのモデルで、Apache 2.0ライセンスで公開され、2,000万回以上ダウンロードされた初代EmbeddingGemmaの後継です。モジュール式で、テキストのみなら2億7,000万パラメータで足り、視覚エンコーダー（1億7,000万）と音声エンコーダー（3億）は任意です。コンテキストウィンドウは8,000トークンで、バージョン1の4倍です。
Googleは、10億パラメータ未満のマルチモーダルモデルの中でMTEB CodeとMAEBで最高スコアだとしており、MTEB Codeは68.76から78.68に向上しました。768次元のベクトルは128次元まで切り詰めて保存容量を減らせます。デバイス上での利用を想定し、Pixel 11 Proでテキストのみなら約191MBのRAMで動作します。重みはHugging FaceとKaggleで公開され、多くのツールに対応しています。
この要約は、Google DeepMind の公式ページをもとに AnnuIA が自分の言葉で作成しました。内容および権利は発行元に帰属します。元の記事をご覧ください。