Ruri — 日本語特化型のテキスト埋め込み（Embedding）モデル

2026/09/13

埋め込みモデルとは何をしているか

「埋め込み（Embedding）モデル」とは、文章を数百〜数千次元の数値ベクトルに変換するモデルのことを指す。意味の近い文章同士は、ベクトル空間上でも近い位置に配置されるように学習されており、この性質を利用して「意味的に似た文章を検索する」といった処理が可能になる。RAG（検索拡張生成）システムの検索層を支える中核技術の一つであり、LLM本体とは別に、専用の埋め込みモデルが使われることが一般的だ。

日本語埋め込みモデルの空白を埋める試み

英語圏では大量の高品質な埋め込みモデルが公開されてきた一方、日本語に特化した埋め込みモデルの開発は相対的に手薄だった。この状況を背景に、名古屋大学の研究チーム（cl-nagoya）が開発・公開しているのが、日本語汎用テキスト埋め込みモデルのシリーズ「Ruri」である。研究成果は論文「Ruri: Japanese General Text Embeddings」としてまとめられている。

実際にどう使うのか — 最小構成のコード例

Ruriのようなsentence-transformers互換の埋め込みモデルは、Pythonのsentence-transformersライブラリを使えば数行で試すことができる。

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("cl-nagoya/ruri-v3-310m")

# 検索クエリと候補文書をベクトル化する
query = "クラウドのコスト削減方法を教えて"
documents = [
    "AWSの予約インスタンスを使うとコンピューティング費用を大幅に削減できる",
    "今日の東京の天気は晴れです",
    "不要なストレージスナップショットの定期的な削除もコスト削減に有効だ",
]

query_embedding = model.encode(query)
doc_embeddings = model.encode(documents)

# コサイン類似度を計算し、最も近い文書を探す
similarities = model.similarity(query_embedding, doc_embeddings)

このコードを実行すると、similaritiesには3つの文書それぞれとクエリとの類似度スコアが並ぶ。意味的に関連する1件目・3件目（コスト削減の話題）が、無関係な2件目（天気の話題）よりも明確に高いスコアを示すのが、埋め込みモデルの典型的な挙動である。RAGシステムでは、この仕組みを使って、ユーザーの質問に意味的に近い文書だけを大量の文書群から絞り込み、その結果をLLMへの入力として渡す。

なぜ日本語RAGにとって重要なのか

RAGシステムの検索精度は、埋め込みモデルの質に大きく左右される。多言語対応をうたう埋め込みモデルは数多く存在するが、日本語特有の表記ゆれ、助詞の扱い、文脈依存的な意味解釈などにおいて、日本語に特化して学習されたモデルの方が実務上の検索精度で優位に立つケースが少なくない。

特にコンテキスト長が8,192トークンまで拡張されたことは、長めの技術文書や契約書、議事録といった日本語の実務文書をそのままの単位で埋め込みたい場面において、実用上のインパクトが大きい改善だといえる。

TIPの視点