EmbeddingGemma 2はテキスト、画像、動画、音声を 1 つのベクトルにまとめられる。
この記事のポイント
- テキストや画像を768次元ベクトルに圧縮する
- 128d, 256d, 512dに次元を切り替え可能
- 740Mパラメータで消費電力の低いデバイス向け
数字で見る
この記事に出てくる数字
| パラメータ数 | 740M |
|---|---|
| ベクトル次元 | 768d |
| 圧縮可能次元 | 128d |
どこで使えるか
検索や分類を自前で組む人向け。モバイルやノートPCで動く Hugging Faceで公開済み GGUF形式。128d/256d/512dへの圧縮対応
スポンサーリンク
解説
かみくだいて説明します
機械学習のモデルを扱う unsloth が、2026年10月6日に embeddinggemma-2-GGUF を公開しました。Google DeepMind が開発した多機能の埋め込みモデルで、テキストから画像、動画、音声までを同じ空間にまとめて扱えます。合計 740M のパラメータを持ち、スマートフォンやノートパソコンでも動かせるように設計されています。
複数のメディアを一度に処理するんですね。このモデルは現場で組み込む場合、既存の仕組みと置き換える話になりますか。
組み込みのやり方自体は変わりませんが、テキスト入力には短い指示文のプレフィックスを付ける必要があります。画像や動画、音声にはプレフィックスは不要で、そのままモデルに渡します。これを間違えると精度が落ちるので、開発側の設定で分けて対応することになります。
テキストだけ指示文を付けて、映像や音はそのまま出すんですね。では、計算量やデータの大きさはどうなりますか。
基本の出力サイズは 768 次元です。ただし MRL という技術を使うと、128 次元、256 次元、512 次元に切り詰めて再正規化できます。256 次元なら品質への影響は最小限で、128 次元はテキストだけの作業に向いています。
256 次元でも品質が保てるのは確かに助かりますが、次元を減らすというのは何を削っているのか、そこがまだ掴めません。
768 次元のベクトルは、文章や画像の特徴を細かく記録した数字の羅列です。それを 256 次元に減らすのは、余分な情報を整理して必要な情報だけを残す作業に近いです。辞書を引くときに、難しい漢字の説明を省いて基本的な意味だけ残すイメージです。
辞書の基本的な意味だけ残すイメージですね。では、評価結果はどうなっていますか。
テキスト、コード、画像、動画、音声のそれぞれの埋め込みベンチマークで検証しています。報告されている数値はすべて全精度のチェックポイントで測った結果です。コードの理解度や動画の内容識別でも、従来モデルを上回る数値を出しています。
全精度で測った結果なんですね。では、研究している人から見ると、どこが新しいんですか。
従来はテキストと画像で別々のモデルを用意する必要がありましたが、一つに統合できた点が大きいです。Gemma 4 の設計を基盤に使っているので、テキスト 270M、画像 170M、音声 300M を一つの 740M に収めています。
別々のモデルがいらないのは確かに楽ですね。最後に、今後の展開はどう見えていますか。
商用利用は Apache 2.0 のライセンスで認められていますが、モデルの更新スケジュールや次期バージョンの仕様については、そこはまだ分かっていません。まずは sentence-transformers のライブラリを使って、実際の環境での動作確認を進める形になりそうです。
出典
この記事のもとになった情報
- Hugging Face:unsloth/embeddinggemma-2-GGUF
- 公開日:2026-10-06
※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。