--- title: 'EmbeddingGemma 2登場：画像も音声もローカル検索できる740Mモデルの使いどころ' url: 'https://automationse.net/embeddinggemma-2-multimodal-local-search-guide-2026' markdown: 'https://automationse.net/embeddinggemma-2-multimodal-local-search-guide-2026.md' date: '2026-10-07' description: ' MULTIMODAL / ON-DEVICE SEARCH ## 「あの場面、どこ？」を文字で探す文書、写真、録音、動画を別々の検索システムに分けず、同じ意味空間で照合する。小型のオープンモデルがローカル検索の選択肢を広げた。 ## 3行で要約 - Google DeepMindは**2026年10月6日**、Apache 2.0ライセンスの埋め込みモデル「EmbeddingGemma 2」を公開した。\[1\]\[2\] - テキスト・コード・画像・動画・音声を共通の**768次元ベクトル**に変換。270Mのテキスト専用から740Mのフル構成まで、必要な機能だけ読み込める。\[1\]\[2\] - 256次元まで短縮するとベクトル保存量は理論上3分の1になるが、検索品質は用途とデータで変わる。量子化時の端末メモリー値も特定条件での報告だ。\[1\]\[2\] ## 背景：埋め込みとは何か埋め込みは、文章や画像などを**意味の近さを比べられる数値の列**に変換する技術だ。たとえば「夕日の海」という検索文と海辺の写真が近いベクトルになれば、ファイル名が分からなくても探し出せる。検索拡張生成（RAG）では、まず関連資料を埋め込みで探し、その資料を生成モデルに渡す。埋め込みモデル自身が回答文を生成するわけではない。昨年のEmbeddingGemmaは主にテキスト向けだった。今回の第2世代は、異なる媒体を1つのベクトル空間で比較できる点が大きな変更だ。\[1\]\[2\] ## 何が新しいのか **740M**画像・音声を含むフル構成のパラメーター数 **768次元**媒体をまたいで比較する標準ベクトル長 **8,192**入力コンテキストのトークン数 Gemma 4を基盤に、テキスト部分が270M、画像用が170M、音声用が300Mパラメーター。画像用エンコーダーは動画フレームも処理する。テキストだけなら270M、テキスト＋画像・動画なら440M、テキスト＋音声なら570M、全部なら740Mを読み込む構成を選べる。\[2\]\[3\] **入力**文章・写真・録音・動画 **埋め込み**共通の768次元ベクトルへ **検索**意味の近い項目を順位付け GoogleはPixel 11 Proで量子化した場合、テキスト専用のアクティブRAMは約191MB、フル構成は約567MBからと説明する。これは**モデルの特定の量子化・端末条件での値**であり、アプリ全体の常時メモリー使用量ではない。\[1\] ## ベンチマークで分かること、分からないこと Google公開のモデルカードでは、フル精度・768次元でのMTEB Codeスコアが旧モデルの68.76から78.68へ上がった。一方、多言語テキストのMTEBスコアは61.15から61.36で、用途によって改善幅は異なる。コード検索の値は評価セット上の平均であり、個別の社内リポジトリで同じ差が出る保証はない。\[1\]\[2\] Googleモデルカード記載の評価値。高いほど良いが、異なる指標間の直接比較は不可 | 評価 | 旧モデル | EmbeddingGemma 2 | |---|---|---| | MTEB Code／NDCG@10 | 68.76 | 78.68 | | MTEB 多言語／Mean(Task) | 61.15 | 61.36 | 「最大6分の1の保存量」は768次元を128次元に切り詰めた場合の**ベクトル本体のサイズ比**。モデルカード上では128次元のMMEB総合値が768次元の59.01から45.65へ下がるため、画像・動画混在の検索で無条件に128次元を選ぶべきではない。256次元では56.24だ。\[1\]\[2\] ## 開発者・企業への影響：まず小さく試すローカルに置いた議事録、写真、研修動画、ソースコードを横断的に探す用途が考えられる。端末内処理なら素材を毎回外部APIへ送らずに済む構成を作れるが、モデル配布や端末のログ、検索インデックスの扱いは別途設計が必要だ。以下は公式開発ガイドの**テキスト専用**構成を使った最小例。動画・音声を使う場合は対応するエンコーダーを有効にする。\[3\] ```bash pip install -U "sentence-transformers[image,audio,video]" transformers ``` ```python from sentence_transformers import SentenceTransformer model = SentenceTransformer( "google/embeddinggemma-2", config_kwargs={"vision_config": None, "audio_config": None}, ) query = model.encode("障害対応の手順", prompt_name="SearchQuery", truncate_dim=256, normalize_embeddings=True) doc = model.encode("title: 運用手順 | text: 障害時はログを確認する", prompt_name="Document", truncate_dim=256, normalize_embeddings=True) print(model.similarity(query, doc)) ``` 検索文と文書には異なるタスク用プロンプトを付ける。短縮したベクトルは**再正規化**し、検索文と保存側の次元を必ず揃える。モデルカードもこの2点を明記している。\[2\]\[3\] ## リスクと限界、今後の注目点埋め込みの近さは事実の正しさを保証しない。写真や音声の誤検索、機密資料の検索結果への露出、著作権・個人情報への配慮はアプリ側で対処する必要がある。Google公表の評価値は提供元の測定であり、量子化後、短縮後、日本語の固有名詞を多く含む社内データでの品質は別問題だ。今後は端末別の量子化モデル、索引更新の運用、256次元などの圧縮率と実検索品質のバランスを見たい。生成モデルと組み合わせる場合は、検索の根拠表示と回答の検証も重要になる。 **最終確認日：2026年10月7日（日本時間）** ### 参照元 1. [Google DeepMind公式発表「EmbeddingGemma 2」](https://blog.google/innovation-and-ai/technology/developers-tools/embeddinggemma-2/) — 発表日、仕様、端末メモリーに関する提供元の説明。 2. [EmbeddingGemma 2公式モデルカード](https://huggingface.co/google/embeddinggemma-2/blob/main/README.md) — 構成、評価値、短縮時の品質、プロンプトの注意点。 3. [Google Developers「EmbeddingGemma 2: The Developer Guide」](https://developers.googleblog.com/embeddinggemma-2-the-developer-guide/) — 導入方法とコード例。 Previous Post Next Post --- ## Navigation - Previous: [Xeon 6はAIエージェント処理で最大4.57倍？ Intel測定を読み解く](https://automationse.net/intel-xeon6-agentic-ai-throughput-benchmark-guide-2026.md)