Googleは2026年10月6日、テキスト、画像、音声、動画を統一された埋め込み空間で処理するオープンウェイトのマルチモーダル埋め込みモデルであるEmbeddingGemma 2を発表しました。Apache 2.0ライセンスでリリースされ、Gemma 4アーキテクチャを基盤とし、7億4000万パラメータを持つこのモデルは、インターネット接続不要でオンデバイス推論を可能にし、クロスモーダル検索および検索タスクに使用できます。
このモデルはモジュラー設計を採用しており、開発者はテキストエンコーダーのみ（2億7000万パラメータ）を使用するか、オプションのビジョンエンコーダー（1億7000万）とオーディオエンコーダー（3億）を追加してフルマルチモーダルサポートを得ることができます。また、Matryoshka表現学習（MRL）により出力ベクトルを768次元から512、256、または128次元に動的に切り詰めることができ、ベクトルデータベースのストレージを最大6倍削減できます。さらに、最初のEmbeddingGemmaの4倍となる8Kトークンのコンテキスト窓により、ローカルハードウェアで約5.5分の音声、29枚の画像、または58フレームの動画を直接処理可能です。
この画像は、EmbeddingGemma 2のエッジデプロイ能力を示しており、オンデバイス推論およびモジュラーなマルチモーダルサポートについての記事の議論を裏付けています。
EmbeddingGemma 2は、コード性能（MTEB Code）において前身モデルから9.92ポイント向上し、68.76から78.68へと上昇しました。Google Pixel 11 Proなどのデバイスでは、テキスト専用ウェイトで約191MBのRAM、量子化時のフルマルチモーダルモデルで約567MBのRAMで効率的に動作します。ソースはパラメータあたりの品質の高さを強調し、サイズの2倍以上の一部の専門モデルを凌駕すると述べていますが、画像、音声、動画タスクごとのモダリティ固有のパフォーマンス内訳は提供されておらず、それらの分野での正確な改善度は不明のままです。
このチャートは、MTEBマルチリンガルv2の評価結果を示し、記事で報告されたMTEBコードの改善を補完するとともに、モデルのマルチリンガル能力を強調しています。