Googleは10月6日、テキストやコードに加え、画像・音声・動画も扱う「EmbeddingGemma 2」を発表しました。モデルの重みはHugging FaceとKaggleで公開され、商用利用可能なApache 2.0ライセンスです。
パラメータ数は7億4000万で、端末上での動作を想定しています。Googleによると、コンテキストは前モデルの4倍にあたる8Kトークンで、最大5.5分の音声、29枚の画像、動画58フレームをローカルで処理できます。
なぜ重要か
端末内で画像や音声を検索・分類するアプリを作る開発者は、公開された重みを利用できますが、実際の処理速度や対応端末の範囲は記事に記載されていません。
