Granite Embedding Multilingual R2 (311M and 97M)の料金は？

Apache 2.0で無料。モデルカードにホスト型エンドポイントの記載はなく、CPUかGPUでセルフホストします。

Granite Embedding Multilingual R2 (311M and 97M)の欠点は？

多言語検索でHarrier 270Mに次ぐ2位（65.2対66.4）; コードと英語検索でJina v5 nanoに劣る; ベンチマークはすべてIBMのもの; Ollama非対応; テキストのみ.

チームや本番環境でGranite Embedding Multilingual R2 (311M and 97M)を使うと費用はいくらか？

重みは無料でモデルも小型です。IBMはH100 1枚、512トークンで311Mを毎秒1,828文書、97Mを2,534文書と計測しており、1,000万チャンクのインデックスは311Mで約1.5時間です。

Granite Embedding Multilingual R2 (311M and 97M)は企業データを扱っても安全か？

Apache 2.0。IBMによれば、学習データは緩やかなライセンスの公開ペア、IBM社内の技術データ、IBMが生成した合成データから成り、すべてガバナンス審査を通過しています。セルフホストなら文書は自社ハードウェアに留まります。

Granite Embedding Multilingual R2 (311M and 97M)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Harrier-OSS-v1 (270M, 0.6B, 27B), EmbeddingGemma 2, Jina Embeddings v5, Qwen3-Embedding and Qwen3-Reranker 、 all-MiniLM-L6-v2です。

Granite Embedding Multilingual R2 (311M and 97M) (2026)

Granite Embedding Multilingual R2 (311M and 97M)とは？

Granite Embedding Multilingual R2は、IBMが2026年4月29日にApache 2.0で公開した小型のオープンなテキスト埋め込みモデルの2本立てで、768次元ベクトルのgranite-embedding-311m-multilingual-r2と、384次元のgranite-embedding-97m-multilingual-r2です。埋め込みモデルはテキストを数値に変換し、検索システムが質問とそれに答える文章を結び付けられるようにします。2024年のIBMの多言語R1モデルの後継で、2025年の英語専用R2モデルに加わるものです。

どちらもModernBERT設計のエンコーダーモデルで、語彙は262,000トークン、最大32,768トークン（R1の512の64倍）を読み、200以上の言語に対応します。そのうち52言語と9つのプログラミング言語には追加の検索学習が施されています。311Mはベクトルを512、384、256、128次元に短縮できます。IBMによれば、学習データはすべて緩やかなライセンスで、社内のデータ審査を通過しており、PyTorchの重みと並んでONNX版とOpenVINO版も提供されています。

Granite Embedding Multilingual R2 (311M and 97M)は使う価値があるか？

Granite Embedding Multilingual R2の価値は、リーダーボードの順位よりもデータの出所の明確さと長いコンテキストにあります。IBMによれば、311Mは多言語MTEB検索で65.2と前身のR1より13ポイント高く、97Mは60.3です。IBM自身による500M（5億）パラメータ未満のオープンモデルの表で、311MはMicrosoftのharrier-oss-v1-270mの66.4に次ぐ2位で、Jina v5 text nanoの63.3とEmbeddingGemma 300Mの62.5を上回ります。

最もはっきり勝っているのは長い文書です。LongEmbedベンチマークで311Mは71.7を記録し、Harrier 270Mの65.0、Jinaのnanoの63.6、EmbeddingGemmaの55.4を上回ります。32,768トークンのウィンドウを考えれば納得の結果です。一方、コードと英語では弱く、JinaのnanoモデルはMTEBのコードで71.2とGraniteの63.9を、英語検索で58.8と52.6を上回ります。

97Mは速度重視の選択肢です。IBMの計測ではH100 1枚で毎秒2,534文書、311Mは1,828で、multilingual-e5-smallとほぼ同じ速度のまま9.4ポイント上回ります。311Mの短縮ベクトルもよく持ちこたえ、768次元から128次元に削ってもIBMの表では多言語検索が63.9から62.5に下がるだけで、ストレージは6分の1になります。

注意点：ここでの比較はすべてIBMのチームによるIBMのもので、スループットはライブラリのバージョンに左右されます。IBMは、Transformers 5.8.0でModernBERTのアンパディング最適化が削除され、バージョン4.57.6と比べて311Mが毎秒2,960文書から1,828文書に落ちたと記しています。OllamaはまだModernBERTモデルを動かせず、テキスト専用です。

結論：学習データの出所が調達上の論点になる規制業種の企業なら、Granite R2はすぐに採用できる選択です。精度だけが重要なら、Harrierの小型モデルのほうがわずかに優れており、こちらも緩やかなライセンスです。

真価を発揮する場面

欧州の保険会社のナレッジマネジメント責任者
外部APIを使わずに、十数言語の長い約款を検索する
ONNXまたはOpenVINOを使い、CPUサーバー上の311Mで最大32,768トークンのセクション全体を埋め込みます。学習データはすべて緩やかなライセンスだというIBMの説明が、調達審査を短くします。
社内40チームのRAGを運用するプラットフォームエンジニア
数千万チャンク規模でベクトルの保存コストを抑える
311Mのベクトルを256次元、つまり768次元の3分の1に切り詰めて保存します。IBMの表では、多言語検索の精度低下は約0.4ポイントです。
オンプレミスの文書アプリに意味検索を加える開発者
GPUのない顧客のハードウェアでも速く動く埋め込みモデルを同梱する
97MモデルをONNX Runtimeと一緒に同梱します。384次元、9,700万パラメータなのでアプリと並べて動かせるほど小さく、Apache 2.0により再配布も可能です。

導入前に確認すること

導入: pip install sentence-transformersを行い、ibm-granite/granite-embedding-311m-multilingual-r2を読み込みます。同梱の最適化版を使うにはbackend='onnx'または'openvino'を指定します。FlashAttention 2は任意です。
連携: Sentence Transformers、Transformers、ONNX Runtime（CPU、CUDA、TensorRT、DirectML）、OpenVINO、vLLMの埋め込みエンドポイント、GGUF変換後のllama.cpp。Ollamaは非対応。
データとプライバシー: Apache 2.0。IBMによれば、学習データは緩やかなライセンスの公開ペア、IBM社内の技術データ、IBMが生成した合成データから成り、すべてガバナンス審査を通過しています。セルフホストなら文書は自社ハードウェアに留まります。
大規模利用時のコスト: 重みは無料でモデルも小型です。IBMはH100 1枚、512トークンで311Mを毎秒1,828文書、97Mを2,534文書と計測しており、1,000万チャンクのインデックスは311Mで約1.5時間です。
制限: テキストのみ。1入力32,768トークン。ベクトル短縮は311Mのみ。Transformers 5.8.0では4.57.6より遅い。強化された検索学習は200以上の言語のうち52言語が対象。

良い点

Apache 2.0、IBMによれば学習データは緩やかなライセンスで審査済み
32,768トークンのコンテキスト、IBMのテストでLongEmbed 71.7
97MはH100 1枚で毎秒2,534文書
311Mのベクトルは少ない損失で128次元まで短縮可能
CPUとIntelハードウェア向けのONNX版とOpenVINO版

気になる点

多言語検索でHarrier 270Mに次ぐ2位（65.2対66.4）
コードと英語検索でJina v5 nanoに劣る
ベンチマークはすべてIBMのもの
Ollama非対応
テキストのみ

Granite Embedding Multilingual R2 (311M and 97M)の代替

Harrier-OSS-v1 (270M, 0.6B, 27B)

Microsoft埋め込み・リランキングオープンウェイト

4.5/5

MITライセンスのMicrosoft製テキスト埋め込みモデル3サイズ。27Bは多言語MTEB v2で74.3の首位に立ち、小型モデルもそれぞれのクラスで先頭です。

EmbeddingGemma 2

Google DeepMind埋め込み・リランキングオープンウェイト

4.3/5

Googleによるオープンなオンデバイスの埋め込みモデルです。テキスト、コード、画像、音声、動画を1つの空間にまとめます。

Jina Embeddings v5

Jina AI (Elastic)埋め込み・リランキングオープンウェイト

4.3/5

Jina AIの小型の多言語テキスト埋め込みモデルと、画像、動画、音声に対応するomni版です。すべてが1つのベクトル空間を共有します。

Qwen3-Embedding and Qwen3-Reranker

Alibaba (Qwen)埋め込み・リランキングオープンウェイト

4.2/5

AlibabaのApache 2.0の埋め込み・リランキングモデル群です。0.6Bから、2025年6月にMTEBの多言語部門で首位に立った8Bまでそろいます。

all-MiniLM-L6-v2

Sentence Transformers (Hugging Face)埋め込み・リランキングオープンウェイト

3.4/5

数えきれないほどのチュートリアルで定番になった埋め込みモデルです。いまはテスト、プロトタイプ、短い英語テキスト向けにとどめるのが最適です。

Granite Embedding Multilingual R2 (311M and 97M)：よくある質問

Granite Embedding Multilingual R2 (311M and 97M)は使う価値があるか？: Granite Embedding R2は法務部門がすぐに承認できる小型埋め込みモデルですが、精度ではHarrierの270Mにわずかに及びません。評価は5点満点中3.9点です。
Granite Embedding Multilingual R2 (311M and 97M)の料金は？: Apache 2.0で無料。モデルカードにホスト型エンドポイントの記載はなく、CPUかGPUでセルフホストします。
Granite Embedding Multilingual R2 (311M and 97M)の欠点は？: 多言語検索でHarrier 270Mに次ぐ2位（65.2対66.4）; コードと英語検索でJina v5 nanoに劣る; ベンチマークはすべてIBMのもの; Ollama非対応; テキストのみ.
Granite Embedding Multilingual R2 (311M and 97M)は誰に向いているか？: 長い文書の検索のために、データの出所が明確な小型の多言語埋め込みモデルを必要とする企業。
チームや本番環境でGranite Embedding Multilingual R2 (311M and 97M)を使うと費用はいくらか？: 重みは無料でモデルも小型です。IBMはH100 1枚、512トークンで311Mを毎秒1,828文書、97Mを2,534文書と計測しており、1,000万チャンクのインデックスは311Mで約1.5時間です。
Granite Embedding Multilingual R2 (311M and 97M)は企業データを扱っても安全か？: Apache 2.0。IBMによれば、学習データは緩やかなライセンスの公開ペア、IBM社内の技術データ、IBMが生成した合成データから成り、すべてガバナンス審査を通過しています。セルフホストなら文書は自社ハードウェアに留まります。
Granite Embedding Multilingual R2 (311M and 97M)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Harrier-OSS-v1 (270M, 0.6B, 27B), EmbeddingGemma 2, Jina Embeddings v5, Qwen3-Embedding and Qwen3-Reranker 、 all-MiniLM-L6-v2です。

回答確認日：2026年11月7日