このノートブックでは、2025年3月7日にリリースされた新しい実験的なGemini埋め込みテキストモデル（gemini-embedding-exp-03-07）の使い方を紹介します。このモデルは、Geminiモデル自体からトレーニングされ、Geminiの言語理解と微妙なコンテキスト理解能力を継承しています。
特徴
- MTEB（多言語）リーダーボードでトップランクを獲得
- 8Kトークンの入力制限
- 3K次元の出力
- **マトリョーシカ表現学習（MRL）**をサポート
- 100以上の言語に対応
- 統一モデル：以前のタスク特化型の多言語、英語のみ、コード特化型モデルの品質を上回る
1. セットアップ
まず必要なライブラリをインストールしましょう。
!pip install -q google-genai
2. APIキーの設定
Gemini APIキーを設定します。APIキーはGoogle AI Studioから取得できます。
from google import genai
from google.colab import userdata
# APIキーを設定
GOOGLE_API_KEY = userdata.get('GEMINI_API_KEY')
client = genai.Client(api_key=GOOGLE_API_KEY)
3. 基本的な埋め込み生成
テキストの埋め込みを生成する基本的な例を見てみましょう。
# 単一のテキストから埋め込みを生成
result = client.models.embed_content(
model="gemini-embedding-exp-03-07",
contents="How does alphafold work?",
)
# 結果の埋め込みベクトルを表示（最初の10要素のみ）
print(f"埋め込みベクトルの次元数: {len(result.embeddings[0].values)}")
print(f"最初の10要素: {result.embeddings[0].values[:10]}")
4. 複数のテキストの埋め込み
複数のテキストから埋め込みを生成する方法を見てみましょう。
# 複数のテキストサンプル
texts = [
"タンパク質構造予測のためのAIモデル",
"AlphaFoldの仕組みについて",
"DNAとRNAの違い",
"機械学習を使った創薬研究"
]
# 複数のテキストから埋め込みを生成
results = client.models.embed_content(
model="gemini-embedding-exp-03-07",
contents=texts,
)
# 各テキストの埋め込みの最初の5要素を表示
for i, embedding in enumerate(results.embeddings):
print(f"テキスト {i+1}: {texts[i]}")
print(f"埋め込みベクトル（最初の5要素）: {embedding.values[:5]}")
print("-" * 50)
5. 埋め込みの類似性計算
生成された埋め込みを使用して、テキスト間の類似性を計算します。
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity
# テキストサンプル
query = "AlphaFoldはタンパク質構造をどのように予測しますか？"
documents = [
"AlphaFoldは深層学習を使用してタンパク質の3D構造を予測します。",
"タンパク質構造予測は創薬研究において重要な役割を果たします。",
"気候変動は地球温暖化によって引き起こされる現象です。",
"AlphaFoldはDeepMindによって開発されたAIシステムです。"
]
# クエリと文書の埋め込みを生成
query_result = client.models.embed_content(
model="gemini-embedding-exp-03-07",
contents=query,
)
query_embedding = np.array(query_result.embeddings[0].values).reshape(1, -1)
doc_result = client.models.embed_content(
model="gemini-embedding-exp-03-07",
contents=documents,
)
doc_embeddings = np.array([embedding.values for embedding in doc_result.embeddings])
# コサイン類似度を計算
similarities = cosine_similarity(query_embedding, doc_embeddings).flatten()
# 結果を表示
print(f"クエリ: {query}\n")
for i, (doc, sim) in enumerate(zip(documents, similarities)):
print(f"文書 {i+1}: {doc}")
print(f"類似度: {sim:.4f}")
print("-" * 50)
# 最も類似度の高い文書を特定
most_similar_idx = np.argmax(similarities)
print(f"最も関連性の高い文書: {documents[most_similar_idx]}")
print(f"類似度スコア: {similarities[most_similar_idx]:.4f}")
6. 簡易検索システムの実装
埋め込みを使用した簡単な検索システムを実装してみましょう。
def create_document_embeddings(documents, model="gemini-embedding-exp-03-07"):
"""文書のリストから埋め込みを生成する関数"""
result = client.models.embed_content(
model=model,
contents=documents,
)
return np.array([embedding.values for embedding in result.embeddings])
def search_documents(query, documents, embeddings, top_k=3):
"""クエリに基づいて文書を検索する関数"""
# クエリの埋め込みを生成
query_result = client.models.embed_content(
model="gemini-embedding-exp-03-07",
contents=query,
)
query_embedding = np.array(query_result.embeddings[0].values).reshape(1, -1)
# 類似度を計算
similarities = cosine_similarity(query_embedding, embeddings).flatten()
# 上位k件の結果を取得
top_indices = similarities.argsort()[-top_k:][::-1]
results = []
for idx in top_indices:
results.append({
"document": documents[idx],
"similarity": similarities[idx]
})
return results
# サンプル文書
documents = [
"Gemini埋め込みモデルはMTEB（多言語）リーダーボードでトップランクを獲得しました。",
# "埋め込みは、意味と文脈を数値表現でキャプチャします。類似した意味を持つデータは、より近い埋め込みを持ちます。",
"Retrieval-Augmented Generation（RAG）は、生成されるテキストの品質と関連性を向上させます。",
# "Gemini埋め込みモデルは8Kトークンの入力制限と3K次元の出力をサポートしています。",
"マトリョーシカ表現学習（MRL）により、元の3K次元を切り詰めてストレージコストを削減できます。",
# "Gemini埋め込みモデルは100以上の言語をサポートし、以前のモデルよりも2倍の言語に対応しています。",
# "統一モデルはタスク特化型の多言語、英語のみ、およびコード特化型モデルの品質を上回ります。"
]
# 文書の埋め込みを生成
document_embeddings = create_document_embeddings(documents)
# 検索クエリ
search_query = "RAGとは何ですか？"
# 検索を実行
search_results = search_documents(search_query, documents, document_embeddings, top_k=3)
# 結果を表示
print(f"クエリ: {search_query}\n")
print("検索結果:")
for i, result in enumerate(search_results):
print(f"{i+1}. {result['document']}")
print(f" 類似度: {result['similarity']:.4f}")
7. マトリョーシカ表現学習（MRL）の活用
Gemini埋め込みモデルはMRLをサポートしているため、3K次元の埋め込みを小さな次元に削減できます。
def truncate_embeddings(embeddings, target_dim):
"""埋め込みをターゲットの次元に切り詰める関数"""
if target_dim > embeddings.shape[1]:
raise ValueError("ターゲット次元は元の次元よりも小さくする必要があります")
return embeddings[:, :target_dim]
# 元の埋め込み
original_embeddings = create_document_embeddings(documents)
print(f"元の埋め込み次元: {original_embeddings.shape[1]}")
# 次元を削減
target_dimensions = [256, 512, 1024]
for dim in target_dimensions:
truncated = truncate_embeddings(original_embeddings, dim)
print(f"{dim}次元に切り詰めた埋め込み形状: {truncated.shape}")
8. 実際のユースケース: 簡易RAGシステム
埋め込みを使用した簡単なRAG（Retrieval-Augmented Generation）システムを実装してみましょう。
def rag_system(query, documents, model="gemini-1.5-flash"):
"""RAGシステムの実装"""
# 文書の埋め込みを生成
document_embeddings = create_document_embeddings(documents)
# 関連文書を検索
search_results = search_documents(query, documents, document_embeddings, top_k=2)
retrieved_docs = [result["document"] for result in search_results]
# コンテキストを構築
context = "\n".join(retrieved_docs)
# Geminiモデルを使用して回答を生成
prompt = f"""
以下の情報に基づいて、質問に答えてください:
情報:
{context}
質問: {query}
"""
response = client.models.generate_content(model="gemini-2.0-flash", contents=[prompt])
return {
"query": query,
"retrieved_documents": retrieved_docs,
"response": response.text
}
# RAGシステムを試す
query = "マトリョーシカ表現学習の利点は何ですか？"
result = rag_system(query, documents)
print(f"質問: {result['query']}\n")
print("検索された文書:")
for i, doc in enumerate(result['retrieved_documents']):
print(f"{i+1}. {doc}")
print("\n回答:")
print(result['response'])
まとめ
このノートブックでは、新しいGemini埋め込みモデル（gemini-embedding-exp-03-07）の基本的な使い方を紹介しました。このモデルは、テキスト検索、分類、RAGシステムなど、多くのアプリケーションで活用できます。
主な特徴：
- MTEB（多言語）リーダーボードでトップランク
- 8Kトークンの入力制限
- 3K次元の出力
- マトリョーシカ表現学習（MRL）のサポート
- 100以上の言語に対応
- 統一モデル
現在は実験的なフェーズで容量が限られていますが、今後数ヶ月でより安定した一般提供版がリリースされる予定です。