Googleの埋め込みモデル「EmbeddingGemma 2」が登場、使用RAMは最小約191MBでスマホでも動作

We’re releasing EmbeddingGemma 2, our first natively multimodal open model engineered for on-device embeddings.

Built on the Gemma 4 architecture and released under an Apache 2.0 license, it goes beyond text to unify images, video, audio, and code in a single embedding space. pic.twitter.com/PBdx42PwS7

— Google (@Google) October 6, 2026

EmbeddingGemma 2は、テキストの範囲を超え、コード、画像、動画、音声を共通の埋め込み空間に統合するものと説明されています。EmbeddingGemma 2を使うことで、ハードウェア上でアプリが情報を直接整理・検索・関連付けられるようになり、オンデバイス検索ツールやプライバシーを優先した検索拡張生成(RAG)を開発することができます。

EmbeddingGemma 2 is optimized to run locally on mobile and desktop.

This means you can find a specific video clip from a voice memo, or search through hours of audio with a simple text query, all without an internet connection. pic.twitter.com/l0hHvtbXBo

— Google (@Google) October 6, 2026

EmbeddingGemma 2のパラメーター数は7億4000万です。MTEB(Massive Text Embedding Benchmark)やMAEB(Massive Audio Embedding Benchmark)などのベンチマークにおいて、10億パラメーター未満のマルチモーダル埋め込みモデルの中でそのサイズに対して最高水準の性能を発揮します。

テキストのみのワークロードでは最小2億7000万パラメータで動作し、ビジョンエンコーダー(1億7000万パラメータ)と音声エンコーダー(3億パラメータ)を使えば完全なマルチモーダル対応を実現。Matryoshka Representation Learning(MRL)を使用すると、開発者は出力ベクトルを768次元から512次元、256次元、128次元へ動的に短縮できます。これにより、ローカルのベクトルデータベースとメモリ使用量を最大6分の1に削減できます。

モバイルおよびデスクトップでローカルに実行されるよう最適化されていて、Google Pixel 11 Proでは、テキストのみの重みに必要なアクティブRAMを最小約191MB、完全なマルチモーダルモデルでは約567MBまで抑えられます。また8Kトークンのコンテキストウィンドウを備えており、これは前モデル「EmbeddingGemma」の4倍に拡大しています。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、またはそれらを組み合わせた入力を、ローカルハードウェア上で直接処理できます。

Best-in-class for its size at 740M parameters, EmbeddingGemma 2 outperforms some models over twice its size while using from as little as ~191MB to 567MB of active RAM.

It also features a 4x larger 8K context window than the first generation, processing up to 5.5 minutes of… pic.twitter.com/E278Rv3ABy

— Google (@Google) October 6, 2026

EmbeddingGemma 2はGemma 4アーキテクチャをベースに構築され、商用利用にも寛容なApache 2.0ライセンスで公開されています。