RAG、セマンティック検索、ナレッジベース検索を始めると、多くの人が最初に同じ疑問にぶつかります。埋め込みモデルはたくさんあるけれど、結局どれを選べばいいのか、ということです。

代表的なモデルは大きく二つに分けられます。一つは中国語・英語・多言語タスクを広くカバーする汎用テキスト埋め込みです。もう一つは中国語向けの用途により適していて、中国語検索、中国語 QA、中国語ナレッジベースでの性能を重視したものです。

まず短い結論だけ言うなら、次のように考えると分かりやすいです。

• 手間を減らして API をそのまま使いたいなら: text-embedding-3-small または text-embedding-3-large
• 中国語検索をやりたくて、かつオープンソースを自前で運用したいなら: bge-base-zh-v1.5、bge-m3、gte-large-zh
• 多言語にも対応したいなら: multilingual-e5-base、multilingual-e5-large、jina-embeddings-v3
• 中国語用途でコストを抑えたいなら: bge-small-zh-v1.5、gte-base-zh

1. まずは種類ごとに見る

1. OpenAI 系

• text-embedding-3-small
• text-embedding-3-large

この系統の特徴は、呼び出しが簡単で安定していることです。API を直接使って検索、RAG、分類、類似度マッチングを行うのに向いています。強みは「特定の中国語ベンチマークで飛び抜けて高得点」という点ではなく、全体としての使いやすさにあります。導入ハードルが低く、品質が安定していて、エンジニアリングコストも低いです。

チームとしてモデルを自前でホストしたくない、推論サービスの運用もしたくないなら、OpenAI 系はたいてい最も時間を節約しやすい選択です。

2. BGE 系

• BAAI/bge-small-zh-v1.5
• BAAI/bge-base-zh-v1.5
• bge-m3

BGE は中国語検索で非常によく見かける系統です。bge-small-zh-v1.5 と bge-base-zh-v1.5 は中国語単一言語タスク寄りで、中国語セマンティック検索、ナレッジベース検索、FAQ マッチングに向いています。bge-m3 はより汎用的で、多言語、多粒度、より複雑な検索シナリオもカバーできます。

データの大半が中国語テキストなら、BGE は候補に入れやすいモデル群です。

3. E5 系

• intfloat/multilingual-e5-base
• multilingual-e5-large

E5 系の特徴は、多言語性能のバランスがよいことです。中国語と英語が混在する環境、クロスリンガル検索、国際向けコンテンツ基盤に向いています。中国語だけを見るモデルではなく、「異なる言語を一つの検索基盤にまとめる」ことを重視した設計です。

コーパスが中国語だけでなく、英語、日本語、あるいはさらに多くの言語を含むなら、中国語専用モデルより E5 の方が安定しやすいです。

4. GTE 系

• Alibaba-NLP/gte-base-zh
• gte-large-zh

GTE も中国語タスクでよく使われます。位置づけは BGE に近く、どちらも中国語検索の実用派です。比較的バランスが良く、導入のハードルも高くありません。中国語ナレッジベース、サイト内検索、社内ドキュメント検索に向いています。

中国語オープンソースモデルを複数比較したいなら、GTE は一緒に評価する価値があります。

5. Jina Embeddings

• jina-embeddings-v3

Jina はより汎用的で、現代的な実装シナリオに寄った選択肢です。多言語検索、長文、Web コンテンツ処理などでよく使われます。「一つのモデルでより多くのタスク形態をカバーしたい」という文脈でよく名前が挙がり、embedding 層を統一したいチームに向いています。

Web ページ、文書、多言語テキストなど、データソースが混在しているなら、Jina は試す価値のある候補です。

2. 中国語シナリオでよく使われるモデル

対象を中国語シナリオに絞ると、代表的な候補はほぼ次の通りです。

• bge-small-zh-v1.5
• bge-base-zh-v1.5
• bge-m3
• gte-base-zh
• gte-large-zh
• multilingual-e5-base
• multilingual-e5-large

ここで大事なのは、「どれが絶対に一番強いか」ではなく、次の三つです。

1. データの中心は中国語か
2. 多言語対応が必要か
3. 品質、コスト、導入しやすさのどれを優先するか

3. これらのモデルを並べて考える

1. 中国語性能だけを見る場合

中国語ナレッジベース、中国語 QA、中国語文書検索であれば、まず BGE と GTE を見るのが一般的です。

• bge-small-zh-v1.5: 軽量で、コスト重視の場面に向く
• bge-base-zh-v1.5: 中国語用途でバランスが良い定番
• gte-base-zh: 軽量 BGE に近く、まずベースラインを作るのに向く
• gte-large-zh: 検索品質をより重視する場面に向く
• bge-m3: 中国語検索に加えて、より複雑な要件も視野に入れたいときに向く

コーパスがほぼ中国語だけなら、E5 も使えますが、最優先になることは多くありません。

2. 多言語が必要な場合

この場合は優先順位がかなり変わります。

• multilingual-e5-base と multilingual-e5-large は多言語を統一的に検索するのに向いています
• jina-embeddings-v3 も多言語と汎用テキスト処理に向いています
• bge-m3 は従来の中国語専用モデルより、多言語へ拡張しやすいです
• text-embedding-3-small と text-embedding-3-large は API ベースで素早く進めたい場合に向いています

中国語、英語、製品ドキュメント、Web コピー、ユーザー問い合わせが同じ基盤に入るなら、多言語モデルの方が後からの改修コストをかなり減らせます。

3. 推論コストと保存コストを抑えたい場合

ここでは軽量モデルが有利です。

• bge-small-zh-v1.5
• gte-base-zh
• multilingual-e5-base
• text-embedding-3-small

これらは次のようなケースに向いています。

• 文書量が多い
• 更新頻度が高い
• 大量のベクトル化が必要
• レイテンシとコストに敏感

データ規模が大きい場合、embedding の次元数、推論速度、インデックスサイズは総コストに直結します。そのため、まず小さいモデルでベースラインを作るのは堅実なやり方です。

4. まず性能上限を優先したい場合

より大きいモデルは、複雑な検索や高品質な再現率を求める場面に向いています。たとえば次のようなモデルです。

• text-embedding-3-large
• multilingual-e5-large
• gte-large-zh
• bge-base-zh-v1.5
• bge-m3

ただし、モデルが大きいほど本番体験が必ず良くなるわけではありません。多くのプロジェクトでは、本当のボトルネックはモデルそのものではなく、チャンク分割、取得件数、再ランキング、データクリーニング、評価方法にあります。

4. 各モデルはどんなタスクに向くか

5. 実際の選定をどう進めるか

論文を書くのではなく、実際にシステムを作るなら、選定手順はもっとシンプルで大丈夫です。

シナリオ 1: 中国語ナレッジベース

まずは次の組み合わせを試します。

• bge-base-zh-v1.5
• gte-large-zh
• bge-small-zh-v1.5

予算が厳しいなら小さいモデルから始めて、検索品質をより重視するなら大きいモデルへ広げます。

シナリオ 2: 中国語と英語が混在するナレッジベース

まずは次を試します。

• multilingual-e5-base
• multilingual-e5-large
• text-embedding-3-small
• text-embedding-3-large

自前運用を避けたいなら OpenAI がより直接的です。自前でホストしたいなら、E5 の方が一般的です。

シナリオ 3: 今は中国語中心だが、将来的に多言語へ広げる可能性がある

まずは次を試します。

• bge-m3
• multilingual-e5-base
• jina-embeddings-v3

このタイプの場面で一番怖いのは、最初は中国語だけを前提に設計し、後からベクトル基盤を丸ごと作り直すことです。

6. 最後に大事なのは「ランキング1位」ではない

埋め込みモデル選定で最も陥りやすい失敗は、公開ベンチマークの点数だけを見て、そのまま本番投入してしまうことです。

より確実なのは、だいたい次の手順です。

1. まず 2 から 4 個の候補モデルを選ぶ
2. 自分たちの実データで embedding を作る
3. 一度検索評価を回す
4. そのうえでコスト、遅延、導入方法を合わせて最終判断する

実際に結果を決めるのは、モデル名そのものよりも、そのモデルが自分のコーパス、チャンク戦略、クエリ形式に合っているかどうかだからです。

まとめ

実用的な結論だけ覚えるなら、次のように整理できます。

• 中国語優先: bge-base-zh-v1.5、gte-large-zh
• コスト優先: bge-small-zh-v1.5、gte-base-zh、text-embedding-3-small
• 多言語優先: multilingual-e5-base、multilingual-e5-large、jina-embeddings-v3
• API をそのまま使いたい: text-embedding-3-small、text-embedding-3-large
• 中国語と将来の拡張性を両立したい: bge-m3

すべてのプロジェクトに合う単一のモデルはありませんが、多くのプロジェクトでは、まずこの数グループから第一候補をかなり素早く絞り込めます。