マイクロソフトBingチームが単語埋め込みモデルHarrierをオープンソース化。100種類以上の言語をサポートし、MTEB v2ベンチマークテストで優れた性能を発揮。20億の例とGPT-5によって生成されたデータに基づいて訓練され、32,000語のコンテキスト窓サイズを持ち、270億パラメータを持つ。多言語タスクの正確性と柔軟性を大幅に向上させた。
アリババグループと上海交通大学は、F2LLM-v2シリーズの埋め込みモデルを共同で発表しました。このモデルは「意味表現分野における英語中心主義」を打ち破ることを目的としています。権威ある評価テストMTEBのランキングで11項目の最優秀を獲得し、圧倒的なパフォーマンスを示しています。完全なオープンソースソリューションとして、高い性能と極限の効率を兼ね備えており、世界中の開発者に先進的な意味表現ツールを提供します。
GoogleがEmbeddingGemmaを発表、モバイル向けに最適化されたオープンソースの埋め込みモデル。3.08億パラメータで、MTEBベンチマークで500M未満の多言語テキスト埋め込みモデルとして最高評価。RAGと意味検索をサポートし、オフラインでも優れた性能を発揮。....
Googleが初のGemini埋め込みモデルを発表、MTEBベンチマークで68.37点を獲得しOpenAIを上回り現時点で最強の埋め込みモデルに。双方向Transformerアーキテクチャを採用し、多言語タスクに対応、コストは100万トークン当たり0.15ドル。検索やレコメンドAIの進化を促進。....
Bytedance
$0.5
入力トークン/百万
-
出力トークン/百万
コンテキスト長
FukayaTakashi
Qwen3-Reranker-8BはQwenファミリーの最新のテキスト再ランキングモデルで、80億のパラメータを持ち、テキスト検索とランキングタスク用に設計されています。このモデルは多言語テキスト再ランキングタスクで優れた性能を発揮し、100種類以上の言語をサポートし、さまざまなプログラミング言語も含まれ、MTEB多言語ランキングでトップの性能を達成しています。
Savyasaachin
Snowflake Arctic Embed L V2.0は、最大90言語をサポートする高度な文の類似度モデルで、テキスト分類、検索、クラスタリング、再ランキング、意味的テキスト類似度などのタスクで優れた性能を発揮します。このモデルはMTEBベンチマークテストに基づいており、複数のデータセットで強力な性能を示しています。
michaelfeil
Qwen3 Embeddingモデルシリーズは通義ファミリーの最新の独自開発モデルで、テキスト埋め込みとソートタスク用に設計され、100種類以上の言語をサポートし、MTEB多言語ランキングで1位を獲得しています。
HyperBlaze
BGE-M3は北京智源人工知能研究院によって開発された多言語テキスト埋め込みモデルで、100種類以上の言語の密集検索、多ベクトル検索、疎検索の3種類の検索方式をサポートしています。このモデルはMTEBベンチマークテストで優れた成績を収め、多言語テキストの類似度計算と検索タスクを効果的に処理することができます。
ashercn97
Linq-Embed-MistralはMistralアーキテクチャに基づく埋め込みモデルで、テキスト分類、検索、クラスタリングタスクに特化しており、複数のMTEBベンチマークで優れた性能を発揮します。
gety-ai
IBMが開発した107Mパラメータの多言語埋め込みモデルで、12の言語をサポートし、MTEBベンチマークテストで優れた性能を発揮します。
Alibaba-NLP
ModernBERT事前学習エンコーダーに基づくテキスト埋め込みモデルで、8192トークンの長文処理をサポートし、MTEB、LoCO、COIRなどの評価タスクで優れた性能を発揮します。
mav23
Qwen2アーキテクチャに基づく7Bパラメータ規模の文埋め込みモデルで、文類似度タスクに特化しており、MTEBベンチマークテストで優れた性能を発揮します。
nvidia
NV-Embed-v2 は sentence-transformers ベースの埋め込みモデルで、複数の MTEB ベンチマークテストで優れたパフォーマンスを発揮し、様々な自然言語処理タスクに適しています。
NV-Retriever-v1は検索モデルで、MTEB ArguAnaおよびCQADupstackAndroidRetrievalデータセットで優れた性能を発揮し、効率的な検索能力を備えています。
Omartificial-Intelligence-Space
これはsentence-transformersに基づくアラビア語テキスト埋め込みモデルで、検索タスクに特化して最適化されています。モデルは複数のアラビア語MTEBデータセットで全面的にテストされ、MatryoshkaLossとMultipleNegativesRankingLossを用いて訓練され、効率的な類似度計算と特徴抽出をサポートします。
Classical
このモデルは中国語テキスト埋め込みベンチマーク(MTEB)で複数のタスク評価を行っており、テキスト類似度、分類、クラスタリング、検索などのタスクを含みます。
avsolatorio
BAAI/bge-large-en-v1.5をファインチューニングしたテキスト埋め込みモデルで、MEDIデータセットとMTEB分類タスクのトレーニングセットから抽出されたトリプレットで学習されており、命令不要で直接検索クエリをエンコードできます。
BAAI/bge-small-en-v1.5モデルを微調整したテキスト埋め込みモデルで、MEDIデータセットとMTEB分類タスクデータセットで訓練され、検索タスクのクエリエンコーディング能力を最適化しました。
sensenova
Piccolo Large 中国語モデルは、中国語テキスト理解タスクに特化して最適化された埋め込みモデルで、MTEB中国語ベンチマークテストで優れた性能を発揮し、特に意味的類似度、再ランキング、検索タスクで優れた性能を持っています。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
