Googleは2026年11月17日、公式ブログ「The Keyword」で、オープンな埋め込みモデル「EmbeddingGemma 2」の技術報告書(開発の詳しい中身をまとめた文書)を公開したと発表した。EmbeddingGemma 2は、Googleのオープンモデル「Gemma」シリーズのうち、文章や画像の“意味”を数値に置き換える役目に特化したモデルで、誰でもダウンロードして自分のパソコンやサーバーで動かせる。

文字だけから、画像・音声・動画へ

前の版のEmbeddingGemmaは文字(テキスト)だけを扱うモデルだった。発表によると、EmbeddingGemma 2はこれを広げ、文字・画像・音声・動画、さらにそれらを組み合わせたものを、生まれつき(後付けの部品なしで)理解できるようになった。どの種類のデータも1つの共通の「埋め込み空間」に置かれるため、たとえば「海辺で犬が走る」という文章と、その様子を写した写真や動画が、同じ場所の近くに並ぶことになる。あわせて、モデルの骨組み(バックボーン)をよりコンパクトにまとめたとしている。

技術報告書では、学習の進め方、評価の方法、実験の結果を詳しく説明している。作り方には、最新のオープンモデル「Gemma 4」と、Googleの埋め込みモデル「Gemini Embedding 2」の技術を土台にした工夫が盛り込まれ、表現力が高く統一された“ベクトル空間”を学べるようにしたという。Googleは仕組みと開発の経緯を5分で解説する動画も用意した。

埋め込みモデルは何に使うのか

埋め込みモデルは、チャットAIのように文章を書くAIではなく、「意味が近いもの同士を見つける」ための道具だ。社内の資料からAIに答えを探させる仕組み(RAG)や、写真の中から言葉で探す検索、似た商品のおすすめなどの裏側で使われている。画像や音声、動画まで1つのモデルでまとめて扱えると、たとえば「会議の録音」と「スライドの画像」と「議事録の文章」を横断して探す、といった使い方がしやすくなる。オープンモデルなので、データを外部のサービスに送らずに手元で処理したい用途にも向く。

当サイトでは、オープンなAIモデルをめぐる動きとしてHugging FaceとOpenRouterのオープンウェイトモデルに関する話題も伝えている。