Google、エッジデバイス向けマルチモーダル検索用EmbeddingGemma 2をリリース

Googleは2026年10月6日に、Apache 2.0ライセンスの下で公開されたオープンソースのマルチモーダル埋め込みモデル「EmbeddingGemma 2」のリリースを発表しました。このモデルは、テキスト、コード、画像、動画、音声という5つのデータモダリティに対して、オンデバイスでの検索、ルーティング、類似性検索を軽量に実行できるよう設計されています。Googleは、モデルの重みをHugging FaceとKaggleの両方で公開することで、開発者がクラウドAPIに依存せずにエッジハードウェア上で直接モデルを実行できるようにしています。発表では、このモデルは生成タスク向けではなく、オフラインで埋め込みを生成し、ローカル検索エンジンやレコメンデーションパイプライン、コンテンツベースのフィルタリングを支えることを目的としていると強調されています。

軽量なマルチモーダル埋め込みモデル

EmbeddingGemma 2は7億4千万パラメータを有し、プレーンテキスト、ソースコード、静止画像、動画フレーム、音声スニペットという5つのモダリティを単一の埋め込み空間に同時にエンコードします。この統合された空間により、たとえば音声で説明された内容をコードスニペットとマッチさせたり、テキストプロンプトに対応する動画フレームを取得したりすることが可能になります。Googleは、各モダリティごとに専用のフロントエンドを持つトランスフォーマーベースのエンコーダーが、共通の768次元ベクトルへと表現を投影すると説明しています。オープンソースであるため、研究者は層構造を検査したり、ドメイン固有データでファインチューニングしたり、モダリティ固有のコンポーネントを差し替えたりすることができます。

テキスト専用の軽量構成としては、パラメータ数が2億7千万に削減されたバージョンが提供されています。視覚情報が必要な場合は、オプションで1億7千万パラメータのビジョンエンコーダーを追加でき、音声処理用にはさらに3億パラメータのエンコーダーを組み合わせることが可能です。このモジュラー設計により、非常にリソースが限られたデバイス上でもテキストのみのインスタンスを実行でき、マルチモーダル入力が必要になったときだけ追加エンコーダーをロードする形で運用できます。Googleは、オプションエンコーダーも同一の埋め込みヘッドと互換性があり、すべてのサポートモダリティで統一されたベクトル形式が維持されると述べています。

ストレージ効率のためのマトリョーシカ表現学習

Googleが強調する主要なイノベーションの一つが「マトリョーシカ表現学習」です。この手法は、モデルを再学習させることなく、デフォルトの768次元ベクトルを512、256、あるいは128次元に圧縮できるというものです。階層的に入れ子構造になったサブスペースを学習させることで、類似性情報の大部分を保持しつつ冗長な次元を除去します。Googleの測定によれば、128次元に縮小するとストレージフットプリントが最大で6倍削減でき、エッジデバイス上の大規模インデックステーブルのメモリ使用量が大幅に低減されます。圧縮されたベクトルはコサイン類似度などの標準的な類似度指標と互換性があり、既存パイプラインにそのまま差し替えて利用できる点も特徴です。

Pixel 11 Proでのエッジ性能

Googleは、2026年に発売されたフラッグシップスマートフォンPixel 11 Pro向けにデバイスレベルのベンチマークを公開しています。量子化されたテキスト専用バージョンはアクティブRAMで約191 MBを使用し、テキスト、ビジョン、音声エンコーダーをすべて組み合わせたフルマルチモーダル構成は約567 MBを消費します。テキストのコンテキストウィンドウは8,000トークン、音声は最大5.5分、画像は29枚、動画は1回の推論で最大58フレームまで処理可能です。これらの数値は、ハイエンドスマートフォン1台でモデル全体をホストし、オフデバイスの支援なしにリアルタイムで混合メディアクエリの埋め込み生成が可能であることを示しています。

MTEB（Massive Text Embedding Benchmark）スイートにおいて、GoogleはEmbeddingGemma 2がコードサブベンチマークのスコアを68.76から78.68に向上させたと報告しています。この向上は、プログラミング言語の構文的・意味的パターンを捉える能力が向上したことを示しており、コード検索や重複検出といったタスクで有益です。Googleは、740百万パラメータのオープンモデルが特定タスクにおいて大規模な商用埋め込みモデルを上回る可能性を示す証拠として位置付けていますが、ベンチマークはベンダー提供の測定であり、すべての実世界ワークロードを網羅しているわけではありません。

モデルの重みはHugging FaceとKaggleの両方で公開されており、TensorFlow、PyTorch、ONNXといった一般的なランタイムとの互換性があるとGoogleは述べています。変換スクリプトとサンプル推論パイプラインを提供することで、開発者がモバイルアプリ、組み込みシステム、エッジサーバーにEmbeddingGemma 2を統合しやすくなることを狙いとしています。Apache 2.0のオープンライセンスは商用利用、改変、再配布を許可しており、Googleのローカルで動作するAIツールのエコシステムをコミュニティ主導で拡大する戦略と合致しています。

Googleは、提示された性能数値は特定のハードウェア構成でベンダーが測定したものであり、他のエッジプラットフォームでは異なる結果になる可能性があると注意喚起しています。また、モデルは検索やルーティング向けに最適化されており、生成タスクやチャット、要約といった大規模言語モデルの代替になることは想定されていません。さらに、数百メガバイトの空きメモリが必要となるため、低価格帯のIoTデバイスでは導入が難しい場合があります。

プライベートでオフラインの検索ソリューションを構築する開発者にとって、EmbeddingGemma 2はデータをクラウドに送信せずにマルチモーダルインデックスを統一できる具体的な道筋を提供します。オンデバイスのパーソナルアシスタント、機密文書管理システム、ローカライズされたレコメンデーションエンジンなどのアプリケーションは、テキスト、コード、画像、動画、音声を単一のベクトル空間に埋め込み、ローカルで類似性マッチングを実行できるようになります。マトリョーシカによるベクトル圧縮機能はインデックス維持コストをさらに削減し、エッジストレージに数百万件のアイテムを保存することを実現可能にします。

EmbeddingGemma 2の登場により、デバイス上で実行できるベースラインが大きく変わります。単一のオープンモデルで5つのモダリティを扱い、最新スマートフォンのメモリ範囲に収まり、コード理解に関してはベンチマークレベルの性能を示しています。このリリースは、プライバシー保護とエッジでの高度なAI実行を志向する方向へのシフトを示すものであり、開発者コミュニティに対して重厚なクラウドサービスに依存しないマルチモーダル検索の実験を促す呼びかけでもあります。