740Mでスマホ動作、Google EmbeddingGemma 2はテキスト・画像・音声・動画を一度に検索

動察 Beating AI 速報、Google DeepMind が EmbeddingGemma 2 をオープンソース化。モデルはわずか7.4億パラメータで、テキスト、コード、画像、動画、音声を直接処理し、それらを同じベクトル空間に配置して検索や RAG を行える。前世代の EmbeddingGemma はテキストのみを処理できた。

モデルは必要な部分だけを読み込むこともできる。テキストとコードのみを処理する場合は2.7億パラメータ、視覚を加えると4.4億、すべて読み込むと7.4億となる。Google が Pixel 11 Pro でテストしたところ、量子化後のテキスト版は最低約191MBのアクティブメモリ、完全版は約567MBを使用する。コンテキストは前世代の2Kから8Kに向上し、一度に最大約5.5分の音声、29枚の画像、または58フレームの動画を処理できる。

コード検索の向上が最も顕著だ。MTEB Code スコアは前世代の68.76から78.68に向上し、多言語テキストはほぼ横ばいで、61.15から61.36に上昇した。モデルはデフォルトの768次元ベクトルを512、256、または128次元に圧縮することもサポートし、最低でベクトルストレージ容量を6分の1に削減できる。

ライセンスも緩和された。前世代の EmbeddingGemma は Google 独自の Gemma 条項を使用していたが、EmbeddingGemma 2 は Apache 2.0 に変更された。Google が今年リリースした Gemma 4 も同様に Apache 2.0 を採用しており、最近のオープンモデル数点は商用利用と二次開発に対して明らかに友好的になっている。