セマンティック検索、検索拡張生成 (RAG)、クロスモーダルマッチング、リランキングに最適なモデルを見つけます。
クローズドソースモデルからの移行
現在お使いの OpenAI、Cohere、または Voyage の埋め込み/リランキングモデルを、同等の Bailian モデルに対応付けます。
クローズドソースモデルの例 |
推奨 Bailian モデル |
|
テキスト埋め込み |
OpenAI text-embedding-3-large、Voyage-3-large、Cohere embed-v4 |
|
マルチモーダル埋め込み |
Cohere embed-v4、Voyage multimodal |
|
リランク |
Cohere Rerank 3.5、Voyage rerank-2.5 |
|
テキスト埋め込み
プレーンテキスト検索、RAG、またはクラスタリングには、text-embedding-v4 を使用します。既存の v3 インデックスを移行する必要がある場合は、ディメンションの互換性のために text-embedding-v3 を使用します。
ディメンションの選択方法
-
ストレージに制限のある大規模な検索の場合： 256 または 512 ディメンションを選択します。
-
汎用的なユースケースの場合： 1024 ディメンションを選択します (デフォルト。バランスの取れた選択肢です)。
-
高い検索精度が求められる場合： 1536 または 2048 ディメンションを選択します。
マルチモーダル埋め込み
Text-to-Image や Text-to-Video 検索などのクロスモーダル検索には、融合ベクトルと独立ベクトルのいずれか、または両方をサポートするモデルを選択します。
融合ベクトルと独立ベクトルの比較
-
融合ベクトル：テキストと画像を 1 つのベクトルに融合し、テキストと画像の混合検索に対応します。例えば、
qwen3-vl-embeddingはこのアプローチをサポートします。 -
独立ベクトル：モダリティごとに個別のベクトルを生成します。クロスモーダル検索 (Text-to-Image、Image-to-Image) に適しています。例えば、
tongyi-embedding-vision-plusはこのアプローチをサポートします。
テキストのみのデータを扱う場合
text-embedding-v4 を使用します。このモデルはより高速で費用対効果が高く、より多くのディメンションオプションを提供します。マルチモーダル埋め込みは、Text-to-Image や Text-to-Video 検索などのクロスモーダル検索を目的としています。
リランク
埋め込みベースの検索後、リランク モデルを使用して、クロスアテンションで上位 N 件の結果を並べ替え、精度を向上させます。
-
プレーンテキストのリランキング：
qwen3-rerankを使用し、100 以上の言語と最大 500 のドキュメントをサポートします。 -
マルチモーダルリランキング：
qwen3-vl-rerankを使用し、テキスト、画像、動画が混在する検索結果を再ランキングします。
すべてのモデル
|
モデル ID |
タイプ |
ディメンション |
最大トークン数 |
ユースケース |
|
|
テキスト埋め込み |
64–2048 (デフォルト： 1024) |
8,192 |
テキスト検索、RAG、クラスタリング |
|
|
テキスト埋め込み |
512–1024 (デフォルト： 1024) |
8,192 |
既存の v3 インデックスの移行 |
|
|
マルチモーダル埋め込み |
64–1152 (デフォルト： 1152) |
1,024 |
クロスモーダル検索 (独立ベクトルのみ) |
|
|
マルチモーダル埋め込み |
64–768 (デフォルト： 768) |
1,024 |
コストセンシティブなクロスモーダル検索 (独立ベクトルのみ) |
|
|
リランク |
- |
アイテムあたり 4,000 |
テキスト検索結果のリランキング、RAG |
|
|
マルチモーダル埋め込み |
256–2560 (デフォルト： 2560) |
32,000 |
テキストと画像の混合検索 (融合ベクトル + 独立ベクトル) |
|
|
リランク |
- |
アイテムあたり 8,000 |
マルチモーダル検索結果のリランキング |