Google、端末向け多面埋め込みモデル「EmbeddingGemma 2」をオープンソース公開

EmbeddingGemma 2は、端末上でマルチモーダル検索を実行できる軽量なオープンソース埋め込みモデルです。Apache 2.0ライセンスのもとで公開され、全体のパラメータ数は7.4億（740M）。テキスト、コード、画像、音声、動画をひとつの共通ベクトル空間に統合できます。

対話や文章を生成する一般的なLLMとは異なり、ローカル端末にある多様な情報を理解して検索可能にする役割を持ちます。テキストで音声メモの内容を探し出したり、短い音声から特定の動画フレームを特定したりといった処理を、クラウドを介さず完全オフラインで実行できます。

仕組みとモジュール構造

端末上で検索拡張生成（RAG）やセマンティック検索を組む際、従来はメディアごとに異なるモデルをロードする必要があり、端末メモリを大きく圧迫していました。Gemma 4アーキテクチャをベースとするEmbeddingGemma 2は、単一のモデルでマルチモーダルを完結させます。

設計には柔軟なモジュール方式を採用しています。テキスト検索のみであればわずか2.7億パラメータで動作し、必要に応じて1.7億の画像エンコーダや3億の音声エンコーダを追加できます。全機能を含むモデルファイル全体の容量も約1.5GB程度です。

ストレージの節約にはマトリョーシカ表現学習（MRL）が役立ちます。標準の768次元埋め込みベクトルを、用途に合わせて512次元、256次元、128次元へと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容量を最大6分の1まで圧縮可能です。

性能と動作要件

10億パラメータ未満のマルチモーダルモデルとして、各ベンチマークでトップクラスのスコアを記録しています。MTEB Codeベンチマークでは前世代の68.76から78.68へと約10ポイント向上し、ローカルコード検索や開発エージェントでの活用に適しています。音声のMAEBや画像タスクでも、自身の2倍以上のサイズを持つ専用モデルを上回る精度を示しています。

コンテキスト長は初代の4倍となる8Kトークンに拡張されました。これにより、最大5.5分の音声、29枚の画像、58フレームの動画、またはこれらが混在したデータをローカル端末で一度に処理できます。

ハードウェアへの負荷も極めて小さく抑えられています。Pixel 11 Pro上で量子化モデルを実行した場合、テキスト専用動作なら約191MB、全マルチモーダル動作時でも約567MBのアクティブRAMで軽快に動作します。

利用方法と対応環境

モデルの重みはHugging FaceおよびKaggleで公開されており、商用利用しやすいApache 2.0ライセンスが適用されています。

対応する開発ツールも幅広く揃っています。ローカル実行にはOllama、llama.cpp、LMStudio、MLX、vLLM、transformersなどが利用でき、ベクトル保存にはQdrantが対応します。ファインチューニングにはUnslothのガイドが提供されています。

モバイルやエッジ端末向けにはGoogle AI Edge MediaPipeやLiteRTが用意されており、WebGPUやtransformers.jsを使ってブラウザ上で直接動かすことも可能です。

なぜ重要か

ローカル環境で動作する個人向けアシスタントや、プライバシー重視のRAGアプリを開発する人にとって、EmbeddingGemma 2は今すぐ検証すべき有力な選択肢です。500MB台のRAM消費で画像、音声、テキストを横断して検索できるため、スマートフォンのリソースを圧迫せずに高度な機能を実現できます。

Gemma 4とトークナイザやエンコーダを共有し、生成モデルと組み合わせた際のメモリ消費を抑えている点も非常に現実的でスマートです。ただし8Kコンテキストという枠はあるため、長時間の動画や録音データを扱う際は、あらかじめ適切なチャンク分割処理を挟む必要があります。