Jina Embeddings v3 (Multilingual 8k context Embedding・2024年)（ジナエンベッディングス）
2024年9月Jina AI (ドイツ・ベルリン拠点・2020年Han Xiao創業) 発表のJina Embeddings v3・XLM-RoBERTa 570M base + LoRA adapter + Multilingual (89言語対応) + 8,192 max sequence + Matryoshka Representation Learning (32-1024次元可変) + Task-specific instruction prefix (Retrieval/Clustering/Classification/Separation等) ・CC BY-NC 4.0 License (非商用) + Jina Cloud API商用 ($0.02/1M tokens) ・MTEB 65.52 + MIRACL Multilingual 8位・小型 + 高速 + Multilingual特化のEmbedding Model。
概要
Jina Embeddings v3 は、2024年9月にドイツ・ベルリン拠点のJina AI (2020年Han Xiao元Tencent Search Lab Senior Researcher創業) が発表したMultilingual Embedding Model。XLM-RoBERTa 570M parameter base + LoRA adapter + Task-specific instruction prefix (Retrieval / Clustering / Classification / Text Matching / Separation 等5種) + Multilingual対応 (89言語) + 8,192 max sequence length + Matryoshka Representation Learning (1,024次元から32-256-512-768次元へ可変截断可能) ・CC BY-NC 4.0 License (非商用研究用) + Jina Cloud API商用 ($0.02/1M tokens・最廉価クラス) ・MTEB English 65.52・MIRACL Multilingual 8位・BAAI BGE-M3 / Voyage AI / Cohere Embed等の競合比較で「小型 (570M parameter・3倍小型) + 高速 + Multilingual特化 + Matryoshka次元可変」の差別化軸を確立。
主な特徴・仕組み
- Base Model: XLM-RoBERTa 570M parameter (Multilingual encoder transformer・Meta/Facebook AI 2019年)
- Multilingual: 89言語対応 (日本語/中国語/韓国語/インドネシア語/タミル語等含む)
- Max Seq Length: 8,192 tokens (Long-context document対応)
- Matryoshka Representation Learning: 1,024次元から32-256-512-768次元へ可変截断可能・Storage/Speed/Precisionのtrade-off調整可
- Task-specific Adapter: 5種類のTask-specific instruction prefix
retrieval.passage(RAG document embedding)retrieval.query(RAG query embedding)text-matching(Pairwise similarity)classification(Downstream classification)clustering(Cluster grouping)separation(Visualization-friendly separation)
- MTEB English: 65.52 score
- MIRACL Multilingual: 8位 (Multilingual Retrieval Benchmark)
- License: CC BY-NC 4.0 (Non-commercial OSS) + Jina Cloud API ($0.02/1M tokens 商用)
- Distribution: Hugging Face SafeTensors (
jinaai/jina-embeddings-v3) + Jina Cloud REST API - Hardware: CPU実行可能 (570M parameter軽量) + GPU加速対応
スペック比較表
| Embedding Model | Param | Dim | Max Seq | Multi | License | API価格 |
|---|---|---|---|---|---|---|
| Jina Embeddings v3 | 570M | 32-1024可変 | 8,192 | 89言語 | CC BY-NC | $0.02/1M |
| BGE-M3 | 567M | 1,024 | 8,192 | 100言語 | MIT | OSS |
| Cohere Embed v3 | ~1.5B | 1,024 | 512 | 100言語 | Proprietary | $0.10/1M |
| Voyage 3 | ~2B | 1,024 | 32k | 多言語 | Proprietary | $0.06/1M |
| OpenAI text-embed-3-small | ~1B | 1,536 | 8,192 | 多言語 | Proprietary | $0.02/1M |
具体例・対応製品
- Jina Embeddings v3 (Hugging Face):
jinaai/jina-embeddings-v3・CC BY-NC 4.0・研究用 - Jina Cloud API: $0.02/1M tokens・商用利用可・最廉価クラス
- Jina Reranker v2 (兄弟Model): Reranking model・$0.018/1M tokens・RAG full pipeline構築
- Jina ColBERT v2 (兄弟Model): ColBERT-style multi-vector embedding・複雑Retrieval用途
- 競合 BGE-M3: MIT License + 100言語・OSS全用途利用可能だがMatryoshka非対応
自作PCでの選び方・注意点
Jina Embeddings v3 は「Multilingual特化RAG application」「小型・高速Embedding (570M parameter)」「Matryoshka次元可変deployment」用途の本命model。BGE-M3 (567M parameter・MIT・100言語) との大きな差別化はMatryoshka Representation Learning (1,024→32-256-512-768次元可変截断) + Task-specific adapter (5種類のinstruction prefix) + Jina Cloud API商用利用 ($0.02/1M tokens・OpenAI text-embed-3-small同等最廉価)。Matryoshka次元可変はProduction deploy で「Cost (32次元・Storage 32倍少) vs Precision (1,024次元・MTEB最高)」のtrade-offを後から調整可能で柔軟。CC BY-NC 4.0は研究用途のみOSS・商用利用はJina Cloud API ($0.02/1M tokens) 経由が必要 (Self-Host商用利用不可) ・商用Self-Hostは BGE-M3 (MIT) 推奨。
関連用語との違い
- vs BGE-M3: Jina v3 はMatryoshka次元可変 + Task-specific adapter・BGE-M3はMIT License + Full OSS + 100言語の更広範
- vs Voyage 3: Jina v3 は570M小型 + $0.02/1M最廉価・Voyage 3 は2B + $0.06/1M・精度Voyage 3優位 (MTEB 72.05 vs 65.52)
- vs OpenAI text-embedding-3-small: 両方$0.02/1M同価格・Jina v3 はMatryoshka + Task adapter + OSS variant・OpenAIはProprietary Black box
よくある質問（FAQ）
Q1: Matryoshka Representation Learningとは？ A: 1,024次元 embedding を最初の32次元・最初の256次元・最初の512次元等で截断しても 各次元レベルで一定精度維持できるよう設計・学習されたembedding。Production deploy で Storage / Latency / Precision のtrade-off調整に活用。
Q2: Task-specific adapterで何変わる？
A: 同じテキストでも retrieval.passage (RAG document) vs text-matching (Pairwise similarity) でadapter別 + instruction prefix別で 異なる embedding 出力。Downstream taskに特化した精度向上 (Single-purpose embedding model比+5-10% on task-specific benchmark)。
Q3: CC BY-NC 4.0で商用利用したい場合は？ A: Jina Cloud API ($0.02/1M tokens) 経由のみ商用利用可。Self-Host商用利用は不可。完全OSS商用利用希望はBGE-M3 (MIT) / Nomic Embed v2 / Mistral Embed (Apache 2.0) 等を検討。
まとめ
Jina Embeddings v3 = 2024年Jina AI発表のMultilingual 8k context Embedding。XLM-RoBERTa 570M base + Matryoshka 32-1024次元可変 + 89言語対応 + Task-specific adapter 5種・CC BY-NC 4.0 + Jina Cloud API商用 ($0.02/1M tokens最廉価)・MTEB 65.52・小型高速Multilingual特化Embedding Model。