EmbeddingGemma 2公開。文章・画像・音声を横断する検索を端末内で

ファイル形式をまたいで「内容が近いもの」を探せる

EmbeddingGemma 2は、異なる種類のデータを共通の数値表現に変換します。たとえば、文章で写真を探したり、音声を手がかりに動画の一場面を見つけたりする仕組みを組めます。資料検索の結果を生成AIに渡して回答を作るRAGにも利用できます。

GoogleはGoogle AI Edge Galleryでメディア検索や動画の場面検索のデモを提供しています。完成済みの検索アプリを一律に配る発表ではなく、開発者がこうした機能を組み込むためのモデルとツールの公開です。

文章だけなら小さく、画像や音声が必要なら追加

モデル全体は7億4,000万パラメータですが、文章とコードだけなら2億7,000万の構成で動かせます。画像・動画用と音声用の処理部分を必要に応じて読み込む設計なので、テキスト資料だけを扱うアプリに全機能を載せる必要はありません。

出力する数値の長さも768次元から512・256・128次元へ短縮でき、検索用データの保存容量を抑えられます。ただし、短くするほど検索品質との調整が必要です。Googleのモデルカードは、特に128次元では画像や音声などの精度低下を自分の用途で検証するよう求めています。

試すなら、まず扱うデータの種類を決める

モデルはApache 2.0ライセンスで提供され、Hugging FaceやKaggleから入手できます。Python向けの公式ガイドも公開済みです。導入時は、文書検索、コード検索、メディア検索のどれを作るかを決め、必要な処理部分と保存容量を選ぶのが出発点になります。