Google、画像や音声も扱う埋め込みモデルの技術報告書

共通のベクトル空間

文章・画像・音声・動画に対応
複数形式を一つの空間へ変換
モデル本体を小型化

報告書の内容

学習戦略を詳しく公開
評価方法と実験結果を掲載
Gemma 4などの技術を活用
詳細を読む

Googleは、文章だけを扱っていたオープン埋め込みモデルを拡張した「EmbeddingGemma 2」の技術報告書を公開しました。このモデルは文章、画像、音声、動画を、単独でも組み合わせても一つの埋め込み空間に写像し、モデル本体をより小さくまとめています。

埋め込みモデルは、異なるデータを検索や比較に使いやすい数値表現へ変換します。複数の形式を共通の空間で扱えるため、文章と画像などをまたぐ処理に利用できる設計です。

報告書では、モデルの学習戦略、評価方法、実験結果を詳しく説明しています。Googleによると、その開発手法にはGemma 4とGemini Embedding 2の最新技術を土台にした工夫が盛り込まれています。

Googleは、EmbeddingGemma 2の仕組みと開発過程を解説する約5分の動画も案内しています。報告書の詳細は、公式の技術報告書で確認できます。