all-MiniLM-L6-v2とは？
all-MiniLM-L6-v2は、sentence-transformersプロジェクトによる小型の英語文埋め込みモデルで、Apache 2.0で公開されています。文や短い段落を384次元のベクトルに変換し、セマンティック検索、クラ スタリング、類似度計算に使います。Hugging Faceによると、パラメータ数は約2,300万（23 million）です。
Hugging FaceのJAX/Flaxコミュニティウィークの期間中に、MicrosoftのMiniLMを10億（1 billion）を超える文ペアでファインチューニングしたものです。そのうち約7億2,600万（726 million）は2015年から2018年のRedditコメントのペアで、残りはStack Exchangeや学術論文の引用などから集められました。リポジトリの最初のコミットは2021年8月30日です。学習には128トークンのシーケンスが使われ、256ワードピースを超える入力は切り捨てられます。
リポジトリにはPyTorchの重みに加え、ONNXとOpenVINOへの変換版が含まれており、約23 MBのint8 ONNXファイルもあります。いまもHugging Faceで最もダウンロードされているモデルの一つで、過去1か月のダウンロード数は約1億9,900万（199 million）です。
all-MiniLM-L6-v2は使う価値があるか？
all-MiniLM-L6-v2は自分の時代を生き延びてしまったモデルです。過去1か月で約1億9,900万（199 million）というダウンロード数は、品質よりも、チュートリアル、フレームワークの初期設定、習慣について多くを語っています。メンテナー自身の主張も控えめで、all-mpnet-base-v2より5倍速く「品質は良好」とし、より強力なモデルについてはMTEBのリーダーボードを参照するよう案内しています。
限界は構造的なものです。読めるのは英語だけです。256ワードピースを超える部分はエラーなしで捨てられ、学習に128トークンのシーケンスが使われたため、その上限ですら寛大なほうです。最近の小型モデルは別格です。EmbeddingGemma 2は2億7,000万（270 million）パラメータのテキスト モデルで100以上の言語の8Kトークンを読み、Qwen3-Embedding-0.6Bは100+の言語で32Kトークンを読みます。
それでも長所は健在です。約2,300万（23 million）パラメータなのでほぼどのCPUでも動き、int8 ONNX版は約23 MB、384次元のベクトルは768次元のベクトルの半分の容量で済みます。テスト用のフィクスチャ、授業の例、最初のプロトタイプとしては、これに勝るものはなかなかありません。
このモデルから始める本当のコストは後から来ます。異なるモデルのベクトルには互換性がないため、本番のインデックスをより良いモデルに移すには、すべての文書を埋め込み直す必要があります。最初の選択が安上がりだったほど、誰かが検索品質を測るころには、その後ろに多くのデータが積み上がっているのが普通です。
真価を発揮する場面
検索パイプラインのCIテストを書くバックエンドエンジニア
GPUもAPIキーもなしに、プルリクエストごとに検索テストを実行する
91 MBのモデルを一度ダウンロードすれば、CIランナーのCPUでテスト用データを埋め込めます。課金はなく、テキストがビルド環境の外に出ることもありません。順位は本番モデルとは異なるため、テストでは正確なスコアではなく振る舞いを確認すべきです。
デスクトップアプリやブラウザアプリにオフライン検索を追加する開発者
ユーザー自身のマシン上で関連するメモやヘルプ記事を見つける
約23 MBのint8 ONNXファイルは同梱できるほど小さく、384次元のベクトルでローカルのインデックスも小さく保てます。対応は英語のみで、文章は事前に256ワードピース未満に分割する必要があります。
小規模SaaS企業のプロダクトマネージャー
予算を組む前に、セマンティック検索がキーワード検索に勝ることを示す
プロトタイプにはライセンス料もAPI料金もかかりません。勝った場合は、公開前に同じ評価をEmbeddingGemma 2やQwen3-Embedding-0.6Bでやり直してください。増えたコーパスを後から埋め込み直すのが高くつく工程だからです。
導入前に確認すること
- 導入
- pip install sentence-transformersとPython 3行で使えます。モデル（safetensorsで91 MB）は初回使用時にダウンロードされます。
- 連携
- sentence-transformersとTransformersでネイティブに使えます。リポジトリにはONNX、OpenVINO、TensorFlow、Rustの重みもあり、CPUの命令セット別に4種類のint8 ONNXビルドが含まれます。
- データとプライバシー
- 利用制限のないApache 2.0で、自分のハードウェアで動くため、テキストが外に出ることはありません。学習データは2015年から2018年のRedditコメントに大きく偏っています。
- 大規模利用時のコスト
- ライセンス料もAPI料金もなく、主なコストはストレージです。float32のベクトルは1,536バイトなので、1,000万チャンクでインデックスのオーバーヘッドを除き約15 GBになり、768次元モデルのインデックスの半分の大きさです。
- 制限
- 256ワードピースを超える入力は警告なしで切り捨てられ、学習には128トークンのシーケンスが使われており、英語のみに対応しています。
良い点
- パラメータ数は約2,300万（23M）で、ほぼどのCPUでも動く
- 約23 MBのint8 ONNX版がリポジトリに同梱
- Apache 2.0で、384次元のベクトルは保存コストが低い
気になる点
- 英語のみ
- 256ワードピースを超える入力を黙って切り捨てる
- 128トークンのシーケンスで学習しており、長いテキストは分割が必要
- メンテナー自身がより強力なモデルとしてMTEBを案内している
おすすめの人
高速で、どこでもサポートされている英語の埋め込みモデルが必要な学習者やプロトタイプ制作者。
all-MiniLM-L6-v2の代替
all-MiniLM-L6-v2：よくある質問
- all-MiniLM-L6-v2は使う価値があるか？
- セマンティック検索を動かす最速の方法であることは変わりませんが、もはや本番に出すべきモデルではありません。 評価は5点満点中3.4点です。
- all-MiniLM-L6-v2の料金は？
- Apache 2.0で無料。
- all-MiniLM-L6-v2の欠点は？
- 英語のみ; 256ワードピースを超える入力を黙って切り捨てる; 128トークンのシーケンスで学習しており、長いテキストは分割が必要; メンテナー自身がより強力なモデルとしてMTEBを案内している.
- all-MiniLM-L6-v2は誰に向いているか？
- 高速で、どこでもサポートされている英語の埋め込みモデルが必要な学習者やプロトタイプ制作者。
- チームや本番環境でall-MiniLM-L6-v2を使うと費用はいくらか？
- ライセンス料もAPI料金もなく、主なコストはストレージです。float32のベクトルは1,536バイトなので、1,000万チャンクでインデックスのオーバーヘッドを除き約15 GBになり、768次元モデルのインデックスの半分の大きさです。
- all-MiniLM-L6-v2は企業データを扱っても安全か？
- 利用制限のないApache 2.0で、自分のハードウェアで動くため、テキストが外に出ることはありません。学習データは2015年から2018年のRedditコメントに大きく偏っています。
- all-MiniLM-L6-v2の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はEmbeddingGemma 2, Qwen3-Embedding and Qwen3-Reranker 、 text-embedding-3-largeです。
回答確認日：2026年10月26日