ネイティブなマルチモーダル埋め込み
テキスト、コード、画像、動画、音声を1つの共通埋め込み空間に変換し、異なるメディアタイプ間の意味的な比較を可能にします。
概要
EmbeddingGemma 2は、プライベートなローカル検索、意味検索、コード索引、オンデバイスRAG向けの、Google DeepMindによるオープンで軽量なマルチモーダル埋め込みモデルです。
テキスト、コード、画像、動画、音声の組み合わせを統一された埋め込み空間に変換するため、アプリケーションは完全一致のキーワードだけに頼らず、メディアタイプをまたいで意味的に関連するコンテンツを検索できます。このモデルは、プライバシーを重視したオンデバイスワークフロー向けに設計されており、モジュール式アーキテクチャ、設定可能なベクトル次元、制約のあるローカル環境に適した8Kトークンのコンテキストウィンドウを備えています。
主な機能
オンデバイス推論
ローカル推論向けに設計された7億4,000万パラメータのアーキテクチャを使用します。Google Pixel 11 Proでは、量子化後のメモリ要件はテキスト専用の重みで約191 MB、完全なマルチモーダルモデルで約567 MBと報告されています。
モジュール式モデル設計
約2億7,000万パラメータのテキスト専用構成に対応し、マルチモーダル処理用に、オプションで1億7,000万パラメータの視覚エンコーダーと3億パラメータの音声エンコーダーを利用できます。
拡張コンテキスト
8Kトークンのコンテキストウィンドウを提供し、ローカルハードウェア上で最大5.5分の音声、29枚の画像、58フレームの動画、またはこれらをインターリーブした組み合わせを処理できます。
柔軟なベクトルサイズ
Matryoshka Representation Learningにより、ベクトルを768次元から512、256、または128次元に切り詰められます。ソースによると、ローカルのベクトルデータベースとメモリの要件を最大6分の1に削減できます。
オープンな開発者エコシステム
モデルはApache 2.0ライセンスでリリースされており、Google AI Edge MediaPipe、LiteRT、transformers.jsやWebGPUなどのブラウザツール、さらにGoogleが挙げる複数のモデルサービングフレームワークと組み合わせて利用できます。
ユースケース
プライベートなメディア検索
ファイル、画像、録音、その他の個人メディアをローカルで埋め込みに変換し、ソースコンテンツをリモートサービスに送信せずに、テキストまたは画像のクエリで関連項目を検索できます。
音声・動画の場面検索
テキストによる説明を入力するか音声クエリを使用して、長時間の録音や動画コレクションを検索し、意味的に関連する場面を見つけられます。
コードベースの索引化
ローカルリポジトリを索引化し、意味的なコード検索やコーディングエージェントによる検索を支援できます。ソースでは、MTEB Codeにおいて初代EmbeddingGemmaを9.92ポイント上回ったと報告されています。
オンデバイスRAG
EmbeddingGemma 2をローカル検索に使用し、Gemma 4と組み合わせることで、マルチモーダルなオンデバイスRAGパイプラインで文脈に応じた推論を行えます。
ローカル分類とルーティング
MediaPipe Decision Task APIのワークフローでマルチモーダルなコンテキストを使用し、分類、ルーティング、予測型意思決定エンジンに活用できます。
Pros and Cons
Pros
- テキスト、コード、画像、動画、音声の埋め込みを1つの共通空間で組み合わせられます。
- オフラインまたはローカル処理向けに設計されており、データ転送を減らし、プライバシーに配慮したワークフローを支援できます。
- モジュール式エンコーダーと選択可能なベクトル次元により、異なるリソース予算に対応できます。
- ローカル検索、マルチモーダル検索、オンデバイスRAGワークフローに対応します。
- 商用利用に寛容なApache 2.0ライセンスでリリースされています。
Cons
- ソースはローンチ時点の情報を提供していますが、詳細なAPIの挙動、対応OSバージョン、レイテンシーのベンチマーク、運用上の制限は明記されていません。
- 完全なマルチモーダル推論にはテキスト専用構成より多くのリソースが必要であり、ソースでは完全なモデルのアクティブRAMが大幅に多いと報告されています。
- 料金とサービス条件は提供されていません。EmbeddingGemma 2のApache 2.0でのリリースだけでは、すべてのデプロイやホスティングに関する考慮事項は説明されません。
FAQ
EmbeddingGemma 2とは何ですか？
EmbeddingGemma 2は、テキスト、コード、画像、動画、音声を共通の埋め込み空間に変換します。これにより、アプリケーションは意味的類似性を使って異なるメディアタイプを比較・検索できます。
EmbeddingGemma 2はオンデバイスで実行できますか？
このモデルはローカルハードウェア上で実行でき、オンデバイス推論向けに設計されています。Googleによると、Google Pixel 11 Proでは、量子化されたテキスト専用の重みに必要なアクティブRAMは約191 MB、完全なマルチモーダルモデルでは約567 MBです。
開発者はEmbeddingGemma 2をどのように使い始められますか？
開発者はHugging FaceとKaggleからモデルの重みをダウンロードできます。ソースでは、対応する開発またはサービング用のツール・環境として、Google AI Edge MediaPipe、LiteRT、transformers.js、WebGPU、transformers、sentence-transformers、MLX、vLLM、llama.cpp、SGLang、Ollama、LMStudioも挙げられています。
EmbeddingGemma 2はどの埋め込み次元に対応していますか？
このモデルは、Matryoshka Representation Learningを使用して、出力ベクトルを768次元から512、256、または128次元へ動的に縮小できます。ソースでは、これによりローカルのベクトルデータベースのストレージとメモリ使用量を最大6分の1に削減できると説明されています。
EmbeddingGemma 2の料金はいくらですか？
ローンチ記事には価格情報が記載されていません。モデルは商用利用に寛容なApache 2.0ライセンスでリリースされていますが、適用される条件や利用の詳細については、モデルカードと関連ドキュメントを確認する必要があります。
Quick Facts
- カテゴリ
- 開発者向けツール、AI埋め込みモデル
- 開発元
- Google DeepMind
- パラメータ数
- 完全なモデルで7億4,000万
- コンテキストウィンドウ
- 8Kトークン
- ライセンス
- Apache 2.0
- モデルの入手先
- Hugging FaceおよびKaggle
EmbeddingGemma 2の代替品
ByteAsk
ByteAskは、C/C++向けのターミナル起点AIコーディングエージェント。リポジトリを編集し、コンパイラやデバッガ、サニタイザ、テストで変更を検証してから差分を表示。無料枠あり。
Epherem
Epheremは、Lovable、Bolt、v0、Replit、Cursor、Claude CodeなどのAIコーディングツールで構築したWebアプリ向け静的セキュリティスキャナーです。アプリを実行せず、ソースファイルと依存関係を検査し、一般的なセキュリティミスを分類して修正案を提示します。
CreateOS Sandbox
CreateOS Sandboxは、FirecrackerマイクロVM上でコードやエージェントのワークロードを実行できる分離型コンピュート環境です。SDK、CLI、MCPで制御可能。
GitBot
GitBotは、Claude Code、Codex、OpenCodeを活用した再利用可能なコーディングボットを作成できるローカルブラウザワークスペースです。永続スレッドと権限設定で、リポジトリ内の作業を効率化します。
hob
hobは、エージェントのセッション、ターミナル、履歴、後続作業を、既存のツールやプロバイダーに合わせて整理できる独立したコーディングエージェント向けワークスペース。ローカルでの制御を重視する開発者に最適。
Ably Chat
Ably Chatは、カスタムのリアルタイムチャットアプリを構築できるチャットAPIプラットフォームです。ルーム単位のメッセージ、入力中表示、プレゼンス、リアクション、メッセージ更新に対応し、利用量ベースの料金も選べます。