# 効率的な検索

これはONNXに基づく量子化モデルで、Qwen/Qwen3-Embedding-0.6Bのuint8量子化バージョンであり、検索性能を維持しながらモデルサイズを削減しています。

このモデルはntproctor/mass-academy-faq-embedderの量化バージョンで、複数の量化タイプを選択でき、効率的な特徴抽出と文の類似度計算に適しています。

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。

Snowflake Arctic Embed L v2.0のGGUF量子化バージョンで、高品質な検索タスクに適した効率的な多言語テキスト埋め込みモデルです。

IBM Granite多言語埋め込みモデル、12言語のテキスト埋め込みタスクをサポート、情報検索や多言語アプリケーションシナリオに適しています。

これはChuxin-Embeddingから変換されたGGUF形式モデルで、主に中国語テキスト検索タスクに使用されます。

bge_microはsentence-transformersベースの文埋め込みモデルで、文類似度計算と特徴抽出タスクに特化しています。

GTE-Baseは汎用的なテキスト埋め込みモデルで、テキストを高次元ベクトル表現に変換でき、テキスト分類や類似性検索タスクに適しています。

Sinequaが開発した多言語ベクトル化ツールで、入力された段落やクエリに対して埋め込みベクトルを生成し、類似度計算や情報検索に使用されます。