埋め込み次元数 (Embedding Dimension)
読み: うめこみじげんすう
最終更新: 2026-07-29・AI PICKS編集部
定義
埋め込み次元数とは、テキストや画像をベクトルに変換した際に、そのベクトルが持つ数値の個数（次元）のことである。
埋め込み次元数 (Embedding Dimension)とは — 詳しく解説
埋め込み次元数とは、テキストや画像をベクトル化する埋め込みモデルが出力するベクトルの要素数を指す。一般に次元数が大きいほど意味的な情報をより細かく表現できるとされるが、その分ベクトルDBの保存容量や検索の計算量が増え、コストと精度のトレードオフが生じる。2026年時点の実運用では、主要モデルで数百〜3000次元程度が広く採用されており、次元数を用途に応じて圧縮できるMatryoshka Embeddingのような手法も普及してきた。現場での選び方としては、まず小さめの次元数で検索精度を検証し、要件を満たさない場合のみ段階的に次元数を上げる進め方が取られることが多いとされる。次元数を必要以上に大きくすると、ベクトルDBの運用コストが相場感を超えて膨らむ落とし穴があるため、精度とコストのバランスを見て決めることが重要とされる。
埋め込み次元数 (Embedding Dimension)の使用例
- OpenAIのtext-embedding-3-smallは1536次元、3-largeは3072次元というように次元数はモデルごとに異なる。
- 「この埋め込みモデルの次元数を768から384に圧縮した場合の検索精度への影響を教えて」といった検証依頼で使われる。
埋め込み次元数 (Embedding Dimension)に関連するAIツール
関連用語
「RAG・検索拡張」の他の用語
Retrieval-Augmented Generation。 社内資料や外部 DB を検索してから AI に答えさせる仕組み。
文章や画像を 数値ベクトルに変換する技術。 類似度検索や RAG の基礎。
出典付きで回答する AI 検索エンジン。 リサーチ業務で従来検索を置き換える。
Google 検索の上位に AI が回答を提示する 「AI Overviews」 や Perplexity 等の新世代検索。
Embedding (数値ベクトル) を高速に類似度検索するための専用 DB。 Pinecone / Qdrant / Weaviate が代表。
NotebookLMとはGoogleが提供するRAGベースのAIリサーチアシスタントのこと。ユーザーがアップロードした文書のみを情報源として回答を生成するため、ハルシネーションを大幅に抑制できる。
AI用語辞典をすべて見てみませんか
12カテゴリ・1163語以上を体系的に整理しています
辞典トップへ