AIを整える
専門埋め込みサイズを整える。
＝ 文章をAIが扱う数字に変えたときの「容量」
埋め込み（Embedding）が初めての方は、先に そもそも埋め込み（Embedding）とは・どんな場面で使うか をどうぞ。
アニメで見る — 文をベクトルにするしくみ 開くと1ステップずつ動きます
文章
「猫」
埋め込みモデル
text-embedding-3-small
ベクトル
意味の座標（1536次元）
文A
「猫」
ベクトル空間
意味の地図
文B
「ネコ」/「自動車」
STEP 1
※ イメージ図です。下の表で、実際のモデル別に次元・容量・コストを比べられます。
ベクトル数
量子化（ストレージ）
想定トークン数（コスト計算用）
1チャンクあたりの平均トークン数（既定: 500）。
ベクトル数 × このトークン数で API コストを計算。
埋め込みモデル比較
| モデル | flat | 埋め込みコスト |
|---|---|---|
| text-embedding-3-small Matryoshka・コスパ最強 | — | — |
| text-embedding-3-large Matryoshka・高品質 | — | — |
| text-embedding-ada-002 レガシー・新規は3-smallへ | — | — |
| voyage-3 OpenAIキラー・コンテキスト32K | — | — |
| voyage-3-large 高品質志向 | — | — |
| embed-multilingual-v3.0 100+言語・日本語◎ | — | — |
| embed-english-v3.0 英語特化 | — | — |
| BGE-M3 オープン・日本語◎・密+疎+ColBERT | — | — |
| multilingual-e5-large オープン・100+言語 | — | — |
| nomic-embed-text-v1.5 Matryoshka・オープン | — | — |
| jina-embeddings-v3 Matryoshka・タスク特化LoRA | — | — |
※ 次元の * は Matryoshka 対応モデル（次元を途中で切れる）。
flat = ベクトル本体のみ。HNSW は +50% のグラフオーバーヘッド込み。
コストは「ベクトル数 × トークン数 / 1M × $/M tokens」で算出（オープンソースモデルは無料）。
そもそも埋め込み（Embedding）とは
文章の「意味」を、数字の並びに置き換えたもの。
埋め込み（Embedding）は、文章を数百から数千個の数字の並び（ベクトル）に変換する技術です。意味が近い文章は近い数字になるので、キーワードが一致しなくても、意味の近さで文章を探せます。この数字の個数が次元です。
図書館の本を、題名の五十音順ではなく「内容の近さ」で並べた地図にするようなものです。探したい内容の近くを見に行けば、似た本が見つかります。次元が多いほど細かく表せますが、保存に必要な容量や費用も増えます。
どこで・どんな場面で使うか
-
社内文書やマニュアルを意味で検索するとき（RAG）
質問に近い資料を探して AI に渡し、社内の情報に基づいた答えを作らせます。
-
似た問い合わせを探すとき
過去の問い合わせの中から、内容の近いものを見つけて対応の参考にします。
-
似た文書や重複を見つけるとき
表現が違っても、中身の近い文書をまとめて確認できます。
-
記事や商品をおすすめするとき
いま見ているものと意味の近いものを提示できます。
-
ベクトルを保存する容量や費用を見積もるとき
文書の量と次元から、データベースの大きさの見当をつけます。
知らないと何が困るか
- 保存容量と費用の見積もりが漏れる。文書が増えるほど、ベクトルの数と容量が増えていきます。
- 途中でモデルを変えると、作り直しになる。別のモデルで作った数字は、そのままでは混ぜて比べられません。
- 次元数だけでモデルを選んでしまう。次元が大きいほど良いとは限りません。目的に合うかを確かめる必要があります。
上のツールで、文書の量と次元数を入れて、保存に必要な容量や費用の目安を確かめてみてください。
個別ページ
モデル別のストレージ試算ページ
1モデルだけの次元・容量を確かめたい・共有したいときは、各モデルの個別ページへ。 次元数とストレージ試算をまとめた 11 モデルぶんのページを用意しています。
このツールについて
OpenAI・Cohere・Voyage・BGE-M3 などの埋め込みモデルを、次元・コスト・ストレージで比較。 ベクトル数を入れれば、量子化別の必要容量とインデックス込みのサイズが一目で出ます。
OpenAI・Cohere・Voyage・BGE などの埋め込みベクトル次元・ストレージ・コストを比較。RAG設計の容量見積もりに。
🔰 かんたんに言うと
文章をAIが扱う「数字の列（ベクトル）」に変える話。その容量や次元数を見積もります。
主な機能
- 11モデルの次元比較
- 文書数×次元×float型のストレージ計算
- API/セルフホストのコスト比較
- RAG設計の前提整理
📖 このツールで使う用語
用語集トップへ →分からない用語があれば、クリックして解説をご覧ください。
よくある質問
Q. Matryoshka 表現学習って何？
A. OpenAI text-embedding-3 や Nomic / Jina の新世代モデルは、1つの埋め込みベクトルから「上位256次元」「上位512次元」のように途中で切り取っても品質を保てるよう訓練されています。ストレージ・検索速度を稼ぐために、用途に応じて次元削減できる仕組みです。
Q. fp16 / int8 / binary 量子化はどれだけ効く？
A. fp32 を基準（×1）として、fp16 ×0.5、int8 ×0.25、binary ×0.03。100万ベクトル × 1536次元の場合、fp32 で 6.1 GB → fp16 で 3.1 GB → int8 で 1.5 GB → binary で 0.19 GB。Hammingベクトル検索なら binary が高速で、精度低下は最小限（再ランキング併用が定石）。
Q. インデックス（HNSW/IVF/Flat）の容量は？
A. Flat = ベクトルそのまま（×1）。IVF はクラスタ重心追加で +約10%。HNSW はグラフリンク追加で +約50%。検索速度は HNSW > IVF > Flat の順で速く、容量と速度のトレードオフ。
Q. 日本語ならどのモデルがいい？
A. クラウドなら voyage-3 / cohere-multilingual-v3 / OpenAI 3-small が手堅い。オープンソースなら BGE-M3（密+疎+ColBERT のハイブリッド検索）か multilingual-e5-large。RAG なら BGE-M3 を試してから他と比較するのが速いです。
入力値はURLの「#」以降に入るためサーバーには送信されません。リンクを開くと同じ状態を復元します。
続けて整える
このツールの解説記事
データの時点：2024年ごろのモデルが中心（OpenAI・Voyage・Cohere・BGE・Nomic・Jina）
この内容は、研修でも扱っています
totonoe.tech を運営する株式会社Koinobori は、法人向けの研修サービス「NOBORIBA®」も運営しています。 ここで手を動かした内容を、講師から教わる形の研修です。このページの道具は無料のまま、登録もいりません。
