AI・機械学習
中級
Nomic Embed Vision（ノミックエンベッドビジョン）
Nomic AI が 2024 年に公開したオープンソースの視覚埋め込みモデル。Nomic Embed Text と同一の埋め込み空間を共有し、画像とテキストを統一ベクトル空間で検索・比較できる。
0 回閲覧
0 いいね
2026/6/6 更新
関連タグ
embedding
open-source
nomic
vision
rag
multimodal
Nomic Embed Vision とは
Nomic Embed Vision は Nomic AI が 2024 年 4 月に公開したマルチモーダル埋め込みモデル。最大の特徴は、同社の Nomic Embed Text と全く同一の埋め込み空間を共有する点にある。これにより、テキスト埋め込みで構築した既存のベクトルインデックスに画像埋め込みを追加するだけで、画像テキスト横断検索が実現できる。
ラインナップ
- nomic-embed-vision-v1: ~86M パラメータ、768 次元、768px 対応
- nomic-embed-vision-v1.5: ~137M パラメータ、768 次元、768px 対応
いずれも Apache 2.0 ライセンスで商用利用可能。
アーキテクチャ
SigLIP の視覚エンコーダを基盤に、Nomic Embed Text との空間整合を目的としたコントラスト学習を実施。CLIP 系モデルと異なり、テキスト側エンコーダを固定（Nomic Embed Text を使用）し、視覚エンコーダのみを学習することで空間の統一を確保している。
ローカル推論
Ollama でのインストール: ollama pull nomic-embed-vision
llama.cpp、Ollama、HuggingFace Transformers での動作を確認済み。
CLIP/SigLIP との差別化
- CLIP: テキスト空間は独自、MIT/OpenRAIL ライセンス
- SigLIP: テキスト空間は独自、Apache 2.0 ライセンス
- Nomic Embed Vision: Nomic Embed Text と共有空間、Apache 2.0 ライセンス
活用シーン
- プライベート RAG: 社内文書（テキスト + 画像）のローカル横断検索
- Qdrant / Chroma 等との組み合わせ: 画像テキスト混在コレクション管理
- コスト最適化: クラウド API 不要のオープンソース構成