Nemotron ColEmbed V2とは？
Nemotron ColEmbed V2はNVIDIAの視覚的な文書検索モデルのファミリーで、2026年1月に3B、4B、8Bのサイズで公開されました。OCRやレイアウト解析なしで文書の各ページを画像と してインデックス化し、テキストの質問で検索します。8BモデルはQwen3-VL-8B-Instructをベースにした約88億パラメータのモデルで、3BはLlama 3.2をベースにしています。
ColBERTやColPaliと同じlate interaction型のモデルです。ページごとに1つのベクトルではなく、トークンごとに4,096次元のベクトルを出力し、クエリの各トークンをページ内で最も一致するトークンと比べて一致度を採点します。画像は最大8枚の512×512のタイルとサムネイルに分割され、タイルあたり256トークンです。
どのサイズも商用利用できません。4Bと8BはCC BY-NC 4.0、3Bは研究と教育に用途を限るNVIDIA独自の非商用ライセンスです。
Nemotron ColEmbed V2は使う価値があるか？
Nemotron ColEmbed V2は、本番水準の精度を持ちながら、ライセンスによって本番から締め出された研究用モデルです。NVIDIAのカードは、8BのViDoRe v3での平均NDCG@10を63.54と報告しており、2026年1月26日の公開時点でこのベンチマークの1位でした。ViDoRe v1では92.65、v2では65.16で、v2ではTomoroのColQwen3 8Bに次ぐ3位でした。4Bはv3で61.42、3Bは59.70です。これらは公開されたMTEBの評価環境で出したNVIDIAの数値なので再現できますが、1月以降に順位は変わっています。
後から届く請求書がストレージです。8Bはトークンごとに4,096次元のベクトルを出力し、1ページで256トークンのタイルを9枚使うことがあります。カードの数値からの当サイトの計算では、BF16で1ページ最大約19 MB、プーリングや量子化をしなければ100万ページでおよそ19 TBになります。ApacheライセンスのTomoro ColQwen3 8Bは320次元で1ページ最大1,280トークンを使い、そのカードは画像100万枚あた り約0.82 TBとしています。採点の段階では、マルチベクトル（MaxSim）に対応したベクトルストアも必要で、単一ベクトルの構成の多くは使えません。
ライセンスはすべてのサイズで商用の扉を閉ざしています。4Bと8BはCC BY-NC 4.0で、Llama 3.2をベースにした3BはNVIDIA独自の非商用ライセンスのもとにあり、用途を「非商用の研究および教育目的」に限り、商用利用はNVIDIA自身に留保されています。カードにはNIMコンテナもホスト型のエンドポイントも記載されておらず、これを提供するHugging Faceの推論プロバイダーもありません。
動かす道も狭いものです。Linuxのみで、A100とH100のカードでテストされ、flash-attnはバージョン2.6.3に固定され、リモートコードを有効にする必要があります。8Bの重みは約17.5 GBです。スキャン文書のアーカイブにOCRとテキスト埋め込みで十分かを問うチームにとっては、比較のための有用な上限です。カードにあるタスクごとのばらつき、コンピューターサイエンスのページの79.30から物理の50.84までを見ると、答えは文書に大きく左右されそうです。
真価を発揮する場面
大学の研究室の情報検索研究者
新しい視覚リトリーバーを強力なオープンなベースラインと比較する
8BをTransformersで読み込み、ViDoRe v3でmteb 2.7以降を実行します。NVIDIAのタスクごとのスコアが再現可能な目標になります。学術利用はまさにCC BY-NCライセンスが認める用途です。
何百万枚ものスキャンした保険金請求書を抱える保険会社のMLエンジニア
OCRのパイプラインを残す価値があるか判断する
数千ページのサンプルを精度の上限として8Bでインデックス化し、OCRとテキスト埋め込みの組み合わせと比べます。ライセンス上デプロイはできないため、結果はOCRとApacheライセンスのColQwenモデルのどちらを選ぶかの判断材料になります。
マルチベクトルのインデックスの規模を見積もるデータプラットフォームのリード
late interactionを採用する前にストレージを見積もる
1ページ最大2,304トークン、各4,096個のBF16の値とすると、100,000ページのアーカイブには最大約1.9 TBのベクトルが必要で、同じ計算でTomoroの320次元のColQwen3なら約82 GBです。たいていは精度より先にこの差がアーキテクチャを決めます。
導入前に確認すること
- 導入
- transformers 4.57.2以降とflash-attn 2.6.3をインストールし、trust_remote_codeを付けてbfloat16で読み込みます。NVIDIAがテストしているのはLinuxでA100 40GBまたは80GB、H100 80GBのみです。画像はPILオブ ジェクトとして渡します。
- 連携
- TransformersとMTEBの評価環境。NIM、ホスト型API、Hugging Faceの推論プロバイダーは記載されておらず、検索にはマルチベクトル（MaxSim）の採点に対応したベクトルデータベースが必要です。
- データとプライバシー
- セルフホストなので文書は自前のハードウェアにとどまります。4Bと8BはCC BY-NC 4.0、3BはNVIDIAのNon-Commercial Licenseで、どちらも商用利用を禁じており、3BはLlama 3.2のライセンスも引き継ぎます。
- 大規模利用時のコスト
- 有料のティアはありません。費用はインデックス化のGPU時間とストレージです。当サイトの計算では非圧縮で1ページ最大約19 MB、100万ページでおよそ19 TBで、TomoroのColQwen3 8Bはそのカードによると100万あたり約0.82 TBです。
- 制限
- 10,240トークンまで評価済み。画像あたり最大8枚のタイルとサムネイル。カードのモデルへのリンクは一貫しておらず、表にある4Bのリンクは切れています。
良い点
- NVIDIAによると、8BはViDoRe v3で平均63.54
- OCRやレイアウト解析なしでページ画像を直接インデックス化
- 精度とコストを選べる3B、4B、8Bのサイズ
気になる点
- 3つのサイズすべてが非商用ライセンス
- トークンあたり4,096次元：非圧縮で1ページ最大約19 MB
- Linux、A100またはH100、固定したflash-attn 2.6.3のみ
- ホスト型のエンドポイントもNIMも記載なし
おすすめの人
視覚的な文書検索の強力なオープンなベースラインを必要とし、製品として出荷する予定のない研究者や評価チームに向いています。
Nemotron ColEmbed V2の代替
Nemotron ColEmbed V2：よくある質問
- Nemotron ColEmbed V2は使う価値があるか？
- ページ画像検索の基準になるほど正確ですが、ライセンスのせいで、多くの企業にとっては基準として使うことしかできません。 評価は5点満点中3.8点です。
- Nemotron ColEmbed V2の料金は？
- 非商用および研究用途で重みは無料です（CC BY-NC 4.0）。
- Nemotron ColEmbed V2の欠点は？
- 3つのサイズすべてが非商用ライセンス; トークンあたり4,096次元：非圧縮で1ページ最大約19 MB; Linux、A100またはH100、固定したflash-attn 2.6.3のみ; ホスト型のエンドポイントもNIMも記載なし.
- Nemotron ColEmbed V2は誰に向いているか？
- 視覚的な文書検索の強力なオープンなベースラインを必要とし、製品として出荷する予定のない研究者や評価チームに向いています。
- チームや本番環境でNemotron ColEmbed V2を使うと費用はいくらか？
- 有料のティアはありません。費用はインデックス化のGPU時間とストレージです。当サイトの計算では非圧縮で1ページ最大約19 MB、100万ページでおよそ19 TBで、TomoroのColQwen3 8Bはそのカードによると100万あたり約0.82 TBです。
- Nemotron ColEmbed V2は企業データを扱っても安全か？
- セルフホストなので文書は自前のハードウェアにとどまります。4Bと8BはCC BY-NC 4.0、3BはNVIDIAのNon-Commercial Licenseで、どちらも商用利用を禁じており、3BはLlama 3.2のライセンスも引き継ぎます。
- Nemotron ColEmbed 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Qwen3-VL-Embedding, Cohere Embed 5 、 Jina Embeddings v5です。
回答確認日：2026年10月22日