Google、初のネイティブなマルチモーダル embedding モデル Gemini Embedding 2をプレビュー公開

Google AI Developersは2026年3月10日、XでGemini Embedding 2をGemini APIとVertex AIでpreview提供すると発表した。GoogleはこれをGemini architectureベースの初のfully multimodal embedding modelであり、同社で最も高性能なembedding modelだと説明している。続くスレッドと公式ブログによれば、このモデルはtext、image、video、audio、documentを単一のunified embedding spaceに写像し、別々のembedding stackを組まなくても異なるmediaをまとめて検索、分類、クラスタリングできる。

この設計は現代のretrieval systemが抱える実務上の問題に直結している。企業文書にはPDFやdiagramが混ざり、support記録にはscreenshotがあり、研究データにはvideoやaudioが含まれる。GoogleはGemini Embedding 2がこうした入力をnativeに扱いながら、100以上の言語でsemantic intentを捉えられると述べている。位置付けとしては、multimodal RAG、semantic search、recommendation、analytics infrastructureの基盤モデルだ。

• text入力は最大8192 tokensをサポートする。
• 1回のrequestで最大6枚のimage、最大120秒のvideo、native audio、最大6ページのPDFを処理できる。
• 出力次元は柔軟で、既定の3072に加えて小さい設定も選べるため、品質と保存コストのバランスを取りやすい。

Googleはさらに、Gemini Embedding 2にMatryoshka Representation Learning(MRL)を採用したと説明している。これにより、用途ごとに別モデルを学習しなくてもembedding dimensionを縮小でき、vector databaseの容量、network bandwidth、retrieval latencyといった運用コストを抑えやすくなる。マルチモーダルを1つのモデルにまとめつつ、本番最適化の余地を残した点が重要だ。

意味が大きいのは、Googleがembedding modelをもう1本増やしたことではない。より重要なのは、multimodal retrievalが特殊機能ではなく標準前提に近づいていることだ。text、image、audio、video、documentを1回のAPI呼び出しで同じsemantic spaceに置けるなら、開発チームは前処理やglue codeではなく、ranking、policy、application behaviorにより多くの時間を使える。Gemini Embedding 2のpreviewは、model releaseであると同時にinfrastructure releaseでもある。