EmbeddingGemma 2とは？文章・画像・音声を横断検索できる軽量モデル【2026年10月】

Googleは2026年10月6日、オープンな埋め込みモデル（文章や画像を「意味の近さ」で比べられる数字の列に変えるAI）の新版「EmbeddingGemma 2」を発表しました。この記事は、自社のデータ検索やアプリに検索機能を組み込みたい開発者や、AIの検索の仕組みに関心がある方に向けています。何ができるのか、どこで入手できるのか、端末の中で動かすときの目安を、公式の発表に沿って整理します。

EmbeddingGemma 2の概要

結論から言うと、EmbeddingGemma 2は「文章、コード、画像、動画、音声を、同じ物差しで比べられるようにする小さなモデル」です。公式の発表では、これらのデータを1つの共通のベクトル空間（数字の列で表す場所）に入れる、と説明されています。

Googleの発表で確認できる主な内容は、次のとおりです。

項目	内容
発表日	2026年10月6日
対応するデータ	文章、コード、画像、動画、音声
パラメータ数（フルのマルチモーダル版）	740M
基本の出力	768次元のベクトル
ライセンス	Apache 2.0
ベース	Gemma 4のアーキテクチャ

公式ブログによると、文脈の長さ（一度に扱える入力の量）は8Kトークンで、前の版であるEmbeddingGemma 1の4倍です。コードの性能は、MTEB Code（埋め込みモデルの評価指標の一つ）で68.76から78.68へ、9.92ポイント上がったと書かれています。

上の数字は、Googleが公表した値です。当サイトで確かめた結果ではありません。

何に使えるのか

埋め込みモデルは、検索やおすすめの土台になる部品です。たとえば「この質問に近い文書を探す」といった使い方です。

EmbeddingGemma 2は、文章と画像や音声を同じ空間に置きます。そのため、文章で書いた質問から、近い画像や音声を探すような使い方が想定されています。開発者向けのガイドは、これを「クロスモーダル（種類をまたぐ）な類似度の比較」と説明しています。

また、開発者向けガイドは、コード検索や技術情報の検索でEmbeddingGemma 1より大きく良くなったと説明しています。

ベクトルを短くして保存量を減らす

ベクトルが長いほど、保存に必要な量は増えます。EmbeddingGemma 2は、768次元の出力を、512・256・128次元に切り詰めて使えます（Matryoshka表現学習という方法です）。

公式ブログは、これによって保存量を最大6倍減らせると説明しています。一方、端末向けの記事は「最大8倍」と書いています。2つの記事で数字が異なるため、この記事では「大きく減らせる」とだけ受け取ってください。実際に使う方は、公式ページで条件を確認してください。

開発者向けガイドには、256次元でも、文章とコードでは多くの品質を保てると書かれています。

端末の中で動かす場合

端末向けの記事では、通信なしで動かせる、プライバシーを守りやすい使い方が紹介されています。

• Google Pixel 11 Pro上で、量子化（モデルを小さく圧縮する方法）をした場合、使用メモリ（RAM）は文章のみで約191MB、フルのマルチモーダルで約567MBです。
• MediaPipe Tasksは、iOS、macOS、Windows、Linux、Webを対象にできると説明されています。Androidでは、ML Kit経由のサービスとして提供される予定です。
• 入手は、Hugging FaceのLiteRTコミュニティから、実行できる形に整えたファイルをダウンロードします。

CPU、GPU、NPU（AI向けの専用チップ）での高速化にも対応すると説明されています。ML Kitへの対応は「今後数週間で」と書かれています。

入手方法と使い方

公式ブログによると、モデルはHugging FaceとKaggleから入手できます。Gemini Enterprise Agent PlatformのModel Gardenは「近日対応」とされています。

開発者向けガイドは、sentence-transformers（v6.1.0以降）の例を示しています。SentenceTransformer("google/embeddinggemma-2") でモデルを読み込み、検索の質問用や文書用のプロンプトを付けて変換する流れです。vLLM、Transformers、SGLang、MLX、Ollama、LM Studio、LiteRTなどでも使えると書かれています。ファインチューニング（自分のデータで追加学習すること）には、Unslothが紹介されています。

使う前の注意点

• 数字は公式の発表時点（2026年10月）のものです。最新の情報は公式ページで確認してください。
• 公式の記事の間で、保存量の削減率など、数字が異なる箇所があります。
• 「性能が高い」という評価は、Googleが公表した指標によるものです。自分のデータで合うかどうかは、試して確かめる必要があります。
• Model Gardenや ML Kit への対応は、発表時点では「これから」とされています。

よくある質問

Q. EmbeddingGemma 2は、文章を作るAIですか。 A. いいえ。文章を作るのではなく、データを数字の列に変えて、近さを比べるためのモデルです。検索の部品として使います。

Q. 商用で使えますか。 A. 公式ブログは、ライセンスをApache 2.0と説明しています。細かい条件は、配布ページで確認してください。

Q. 前の版との違いは何ですか。 A. 公式ブログでは、文脈の長さが4倍の8Kトークンになったこと、コードの指標が上がったこと、画像・動画・音声に対応したことが挙げられています。

関連して、Googleの最新モデルについてはGemini 4 Argonの解説も参考になります。

まとめ

• EmbeddingGemma 2は、文章・コード・画像・動画・音声を同じ空間で比べられる、オープンな埋め込みモデルです。
• ライセンスはApache 2.0で、Hugging FaceとKaggleから入手できます。
• 端末の中でも動かせる設計で、Pixel 11 Pro上のメモリ使用量は約191MB（文章のみ）〜約567MB（フル）と公表されています。

次の一歩として、Hugging Faceの配布ページと公式の開発者ガイドを読み、手元の小さなデータで検索の精度を試してみてください。