https://www.knightli.com/ja/tags/%E3%83%99%E3%82%AF%E3%83%88%E3%83%AB%E3%83%A2%E3%83%87%E3%83%AB/ Recent content in ベクトルモデル on KnightLiブログ Hugo -- gohugo.io ja Thu, 23 Apr 2026 15:23:47 +0800 https://www.knightli.com/ja/2026/04/23/compare-openai-bge-e5-gte-jina-embedding-models/ Thu, 23 Apr 2026 15:23:47 +0800 https://www.knightli.com/ja/2026/04/23/compare-openai-bge-e5-gte-jina-embedding-models/ <p>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。</p> <p>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。</p> <p>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。</p> <ul> <li>手間を減らして API をそのまま使いたいなら: <code>text-embedding-3-small</code> または <code>text-embedding-3-large</code></li> <li>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: <code>bge-base-zh-v1.5</code>、<code>bge-m3</code>、<code>gte-large-zh</code></li> <li>多言語にも対応したいなら: <code>multilingual-e5-base</code>、<code>multilingual-e5-large</code>、<code>jina-embeddings-v3</code></li> <li>中国語用途でコストを抑えたいなら: <code>bge-small-zh-v1.5</code>、<code>gte-base-zh</code></li> </ul> <h2 id="1-まずは種類ごとに見る">1. まずは種類ごとに見る </h2><h3 id="1-openai-系">1. OpenAI 系 </h3><ul> <li><code>text-embedding-3-small</code></li> <li><code>text-embedding-3-large</code></li> </ul> <p>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。</p> <p>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。</p> <h3 id="2-bge-系">2. BGE 系 </h3><ul> <li><code>BAAI/bge-small-zh-v1.5</code></li> <li><code>BAAI/bge-base-zh-v1.5</code></li> <li><code>bge-m3</code></li> </ul> <p>BGE は中国語検索で非常によく見かける系統です。<code>bge-small-zh-v1.5</code> と <code>bge-base-zh-v1.5</code> 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。<code>bge-m3</code> 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。</p> <p>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。</p> <h3 id="3-e5-系">3. E5 系 </h3><ul> <li><code>intfloat/multilingual-e5-base</code></li> <li><code>multilingual-e5-large</code></li> </ul> <p>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。</p> <p>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。</p> <h3 id="4-gte-系">4. GTE 系 </h3><ul> <li><code>Alibaba-NLP/gte-base-zh</code></li> <li><code>gte-large-zh</code></li> </ul> <p>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。</p> <p>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。</p> <h3 id="5-jina-embeddings">5. Jina Embeddings </h3><ul> <li><code>jina-embeddings-v3</code></li> </ul> <p>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。</p> <p>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。</p> <h2 id="2-中国語シナリオでよく使われるモデル">2. 中国語シナリオでよく使われるモデル </h2><p>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。</p> <ul> <li><code>bge-small-zh-v1.5</code></li> <li><code>bge-base-zh-v1.5</code></li> <li><code>bge-m3</code></li> <li><code>gte-base-zh</code></li> <li><code>gte-large-zh</code></li> <li><code>multilingual-e5-base</code></li> <li><code>multilingual-e5-large</code></li> </ul> <p>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。</p> <ol> <li>データの中心は中国語か</li> <li>多言語対応が必要か</li> <li>品質、コスト、導入しやすさのどれを優先するか</li> </ol> <h2 id="3-これらのモデルを並べて考える">3. これらのモデルを並べて考える </h2><h3 id="1-中国語性能だけを見る場合">1. 中国語性能だけを見る場合 </h3><p>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。</p> <ul> <li><code>bge-small-zh-v1.5</code>: 軽量で、コスト重視の場面に向く</li> <li><code>bge-base-zh-v1.5</code>: 中国語用途でバランスが良い定番</li> <li><code>gte-base-zh</code>: 軽量 BGE に近く、まずベースラインを作るのに向く</li> <li><code>gte-large-zh</code>: 検索品質をより重視する場面に向く</li> <li><code>bge-m3</code>: 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</li> </ul> <p>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。</p> <h3 id="2-多言語が必要な場合">2. 多言語が必要な場合 </h3><p>この場合は優先順位がかなり変わります。</p> <ul> <li><code>multilingual-e5-base</code> と <code>multilingual-e5-large</code> は多言語を統一的に検索するのに向いています</li> <li><code>jina-embeddings-v3</code> も多言語と汎用テキスト処理に向いています</li> <li><code>bge-m3</code> 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</li> <li><code>text-embedding-3-small</code> と <code>text-embedding-3-large</code> は API ベースで素早く進めたい場合に向いています</li> </ul> <p>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。</p> <h3 id="3-推論コストと保存コストを抑えたい場合">3. 推論コストと保存コストを抑えたい場合 </h3><p>ここでは軽量モデルが有利です。</p> <ul> <li><code>bge-small-zh-v1.5</code></li> <li><code>gte-base-zh</code></li> <li><code>multilingual-e5-base</code></li> <li><code>text-embedding-3-small</code></li> </ul> <p>これらは次のようなケースに向いています。</p> <ul> <li>文書量が多い</li> <li>更新頻度が高い</li> <li>大量のベクトル化が必要</li> <li>レイテンシとコストに敏感</li> </ul> <p>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。</p> <h3 id="4-まず性能上限を優先したい場合">4. まず性能上限を優先したい場合 </h3><p>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。</p> <ul> <li><code>text-embedding-3-large</code></li> <li><code>multilingual-e5-large</code></li> <li><code>gte-large-zh</code></li> <li><code>bge-base-zh-v1.5</code></li> <li><code>bge-m3</code></li> </ul> <p>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。</p> <h2 id="4-各モデルはどんなタスクに向くか">4. 各モデルはどんなタスクに向くか </h2><table> <thead> <tr> <th>モデル</th> <th>向いている場面</th> <th>ざっくりした判断</th> </tr> </thead> <tbody> <tr> <td><code>text-embedding-3-small</code></td> <td>汎用検索、RAG、素早い導入</td> <td>API 利用が簡単でコストにも優しい</td> </tr> <tr> <td><code>text-embedding-3-large</code></td> <td>品質重視の汎用検索</td> <td>品質優先で実装負担も小さい</td> </tr> <tr> <td><code>bge-small-zh-v1.5</code></td> <td>中国語の軽量検索</td> <td>中国語用途の定番入門モデル</td> </tr> <tr> <td><code>bge-base-zh-v1.5</code></td> <td>中国語ナレッジベース、FAQ、セマンティック検索</td> <td>中国語シナリオでバランスが良い</td> </tr> <tr> <td><code>bge-m3</code></td> <td>中国語中心だが、より複雑な検索にも広げたい場合</td> <td>拡張性が高い</td> </tr> <tr> <td><code>multilingual-e5-base</code></td> <td>多言語の基本検索</td> <td>国際化プロジェクトでよく使われる</td> </tr> <tr> <td><code>multilingual-e5-large</code></td> <td>多言語で高品質な再現率が欲しい場合</td> <td>より品質重視</td> </tr> <tr> <td><code>gte-base-zh</code></td> <td>中国語の軽量検索</td> <td>まずベースラインを作るのに向く</td> </tr> <tr> <td><code>gte-large-zh</code></td> <td>中国語で品質重視の場面</td> <td>BGE との比較対象として使いやすい</td> </tr> <tr> <td><code>jina-embeddings-v3</code></td> <td>多言語、Web、汎用テキストタスク</td> <td>embedding 層を統一したいときに試す価値がある</td> </tr> </tbody> </table> <h2 id="5-実際の選定をどう進めるか">5. 実際の選定をどう進めるか </h2><p>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。</p> <h3 id="シナリオ-1-中国語ナレッジベース">シナリオ 1: 中国語ナレッジベース </h3><p>まずは次の組み合わせを試します。</p> <ul> <li><code>bge-base-zh-v1.5</code></li> <li><code>gte-large-zh</code></li> <li><code>bge-small-zh-v1.5</code></li> </ul> <p>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。</p> <h3 id="シナリオ-2-中国語と英語が混在するナレッジベース">シナリオ 2: 中国語と英語が混在するナレッジベース </h3><p>まずは次を試します。</p> <ul> <li><code>multilingual-e5-base</code></li> <li><code>multilingual-e5-large</code></li> <li><code>text-embedding-3-small</code></li> <li><code>text-embedding-3-large</code></li> </ul> <p>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。</p> <h3 id="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">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 </h3><p>まずは次を試します。</p> <ul> <li><code>bge-m3</code></li> <li><code>multilingual-e5-base</code></li> <li><code>jina-embeddings-v3</code></li> </ul> <p>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。</p> <h2 id="6-最後に大事なのはランキング1位ではない">6. 最後に大事なのは「ランキング1位」ではない </h2><p>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。</p> <p>より確実なのは、だいたい次の手順です。</p> <ol> <li>まず 2 から 4 個の候補モデルを選ぶ</li> <li>自分たちの実データで embedding を作る</li> <li>一度検索評価を回す</li> <li>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</li> </ol> <p>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。</p> <h2 id="まとめ">まとめ </h2><p>実用的な結論だけ覚えるなら、次のように整理できます。</p> <ul> <li>中国語優先: <code>bge-base-zh-v1.5</code>、<code>gte-large-zh</code></li> <li>コスト優先: <code>bge-small-zh-v1.5</code>、<code>gte-base-zh</code>、<code>text-embedding-3-small</code></li> <li>多言語優先: <code>multilingual-e5-base</code>、<code>multilingual-e5-large</code>、<code>jina-embeddings-v3</code></li> <li>API をそのまま使いたい: <code>text-embedding-3-small</code>、<code>text-embedding-3-large</code></li> <li>中国語と将来の拡張性を両立したい: <code>bge-m3</code></li> </ul> <p>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。</p>