GoogleがオープンウェイトのEmbeddingGemma 2を公開：7億4千万パラメータのマルチモーダル埋め込み、重みはHugging FaceとKaggleで入手可能
The Decoderが2026年10月6日に報じたところによると、Googleはオープンウェイトのマルチモーダル埋め込みモデルEmbeddingGemma 2を公開した。7億4千万パラメータで、テキスト、画像、動画、音声、コードをエンコードできる。報道ではローカル実行が可能で、約191MBのメモリを要し、Codeベンチマークスコアは78.68。テキストのみの用途には2億7千万パラメータ版もあるという。
主な変更
The Decoderの記者Matthias Bastianが2026年10月6日に報じたところによると、GoogleはEmbeddingGemma 2を公開した。これはテキスト、画像、動画、音声、コードを数値ベクトルに変換するオープンウェイトの埋め込みモデルである。報道によればパラメータ数は7億4千万で、Googleは同種の中で最小のモデルだと主張し、マルチモーダル埋め込みベンチマークで最大2倍のサイズの競合を上回るとしている。報道が示した具体的な数値の一つは、Massive Text Embedding Benchmark（Code）で78.68を記録し、前世代の68.76から約10ポイント改善したという点で、Googleはこれをはるかに大きなモデルに匹敵する水準だと述べている。実行面では、APIキーなしでローカル実行でき、ブラウザ内でWebGPUを通じて1クエリあたり約20～70ミリ秒、メモリ使用量は約191MBで、ローカルベクトルデータベースのストレージ使用量を最大6分の1に圧縮できると報じられている。また、テキストのみのタスクには2億7千万パラメータ版で十分とも言及している。重みはHugging FaceとKaggleで提供され、開発者ガイドとドキュメントも添付されている。区別すべき点として、報道でいう「オープンモデル」「重みが入手可能」とはオープンウェイトを指し、オープンソースライセンスと同義ではない。具体的なライセンス条件はモデルカードおよびリポジトリの声明に従う必要がある。
開発者への影響
開発者にとって、このニュースの価値は、埋め込みモデルが「外部APIの呼び出し」から「アプリと一緒に配布する」方向へさらに傾く点にある。報道によれば、EmbeddingGemma 2はAPIキーなしでローカル実行でき、メモリ使用量は約191MBであるため、埋め込み処理をブラウザ、デスクトップ、またはエッジデバイスに組み込め、サーバー側呼び出しに必ずしも依存しなくなる。報道が主張するストレージ圧縮効果が成り立つなら、ローカルベクトルDBのインデックスサイズと、それに伴うメモリ、ディスク、バックアップのコストは明らかに下がり、クライアント側でのオフライン検索やプライバシーに敏感なデータを扱う場面では定量化できる利点となる。報道では特に、このモデルをGemma 4のような小型オープンモデルと組み合わせ、外部サーバーにデータを送信しないオフラインRAGアプリを構築できると述べており、この道筋はコンプライアンスやデータ越境制限が厳しいチームにとって参考価値が特に高い。コード検索能力も別途強調された方向である。78.68対前世代68.76の約10ポイント向上が、実際のコードベースの検索再現率の推移と一致するなら、コードアシスタント、リポジトリQ&A、パッチ重複検出といったアプリの候補生成品質に影響する。ただし、これらは報道が伝えたGoogleの主張と単一のベンチマーク結果であり、独立した再現はまだない。多言語、長文書、クロスモーダル混合検索の実測性能について報道は示していない。
導入と評価の提案
以下は報道に基づく条件付きの提案であり、検証済みの結論ではない。第一に、埋め込み処理をクライアント側に下ろすかどうか。報道によれば、このモデルはブラウザ内でWebGPUを通じて実行でき、1クエリあたり約20～70ミリ秒である。あなたの製品が初回読み込みの予算が厳しく、端末上で検索を完結させる必要がある場面向けなら、端末上埋め込み＋ローカルベクトルDBと、既存のサーバー側埋め込みAPIの二重トラック比較を行う価値がある。前提は、対象ユーザーのブラウザまたはデバイスのWebGPU対応状況が許容できること。評価基準は、エンドツーエンドの初回検索における初回バイト到達までのレイテンシと検索ヒット率（例：Recall@10）の両方を同時に比較し、単一の埋め込み所要時間だけを見ないことだ。第二に、Codeベンチマークの向上を理由に既存のコード検索インデックスを置き換えるかどうか。報道によれば、Codeベンチマークは前世代の68.76から78.68に上昇した。あなたのワークロードがコードリポジトリQ&Aやファイル間参照の特定を主とするなら、このモデルを新たな候補エンコーダとしてインデックスを再構築するか、現行モデルを継続するかの選択になる。前提は、全ベクトルインデックスの再構築コストを一度負担できること。評価基準は、自分のリポジトリコーパス上で同一クエリ群のRecall@kとMRRを比較し、同時にインデックス構築時間とストレージ増加も観察することだ。ベンチマークスコアと非公開コーパスのランキング品質は必ずしも一致しない。第三に、テキストのみとマルチモーダルの役割分担。報道によれば、テキストのみのタスクには2億7千万パラメータ版で十分で、7億4千万パラメータ版は画像、動画、音声をカバーする。現在テキスト検索の需要しかないなら、小さい版を直接用いてメモリとインデックスコストを抑えるか、マルチモーダル能力を予め確保するかの選択になる。前提は、今後しばらく非テキストコーパスを本当に導入するかどうかであり、そうでなければ小さい版がより省資源な出発点となる。評価基準は、同一クエリセットでの検索品質の差、および異なる言語テキストでの品質劣化幅に設定できる。第四に、ライセンスと配布制約は着手前に確認すべきである。報道は重みがHugging FaceとKaggleで提供されると述べるだけで、ライセンス条件には言及していない。あなたの製品が重みをパッケージに同梱して配布する必要があるなら、この点が方式の実行可否を直接左右する。
制限と未確認事項
まず、EmbeddingGemma 2というこのバージョンは現在KimiSeekのリアルタイムモデルカタログに存在せず、本記事はこれをサイト内で利用可能なモデルとして記載しない。カタログ内のいかなる項目も背景情報にすぎず、このモデルが提供開始された証拠にはならない。報道で言及された実行方法（ローカル実行、APIキー不要、重みがHugging FaceとKaggleにある）はGoogleおよびそのホスティングリポジトリ側のリリースを指し、KimiSeekとは無関係である。次に、本記事のすべての性能・リソース数値——7億4千万パラメータ、Codeベンチマーク78.68、前世代68.76、約191MBメモリ、20～70ミリ秒のクエリレイテンシ、ストレージが6分の1に圧縮、2億7千万パラメータ版でテキストのみを処理するのに十分——は、The Decoderの2026年10月6日の報道およびそれが引用するGoogleの発言からの転載であり、ベンダー主張であって第三者の再現はない。「2倍のサイズの競合を上回る」という表現は具体的な比較モデルを列挙しておらず、適用範囲を判断できない。さらに、報道は重みが提供され入手可能だと述べるが、これは重みがダウンロード可能というだけでオープンソースライセンスと等しくない。使用、商用、再配布の条件はモデルカードとリポジトリのライセンス声明に従う必要があり、報道はそれらの条項を示していない。第四に、Gemma 4と組み合わせてオフラインRAGを構築するという話は報道が示した組み合わせ例であり、本記事はその組み合わせの実際のデプロイ効果も、多様なデバイスでのWebGPUの可用性も検証していない。最後に、埋め込みモデルの品質はコーパスとクエリ分布に強く依存し、ベンチマークスコアをあなたの業務検索効果に外挿することはできない。上記の評価手順は自社データで再検証した上で意思決定する必要がある。
元の報道の図版
