エンベッダーのジレンマ: LLMは優れているが、その代償は？

要旨

テキスト埋め込みパイプラインを大規模言語モデルに置き換えるべきだろうか。本稿では、6つのファミリーにわたる10のLLMと26の埋め込みモデル（1億1800万〜140億パラメータ）を、分類、意味的テキスト類似度（STS）、クラスタリング、ペア分類、検索にわたる37タスクにおいて、コストを考慮した統制比較によりこの問いに答える。全体としては、2つのパラダイムは実質的に互角である。最良のLLM（Gemini 3.1 Pro、77.6）と最良の埋め込みモデル（77.2）の差は0.4ポイントである。その長所はタスクによって異なる。LLMは推論を重視する検索で優位に立ち、埋め込みモデルは分類で優位に立ち、クラスタリング、STS、ペア分類では両者は同等である。その同等性を達成するには費用がかかる。LLMは、同等品質の埋め込みモデルよりも最大1,431倍のコストがかかり（ベンチマーク実行1回あたり154米ドル対0.11米ドル）、検証したオープンLLMは同じGPU上でトークン処理が2.5〜736倍遅い。推論トークンはLLM推論コストの28〜81%を占める。我々のアブレーションでは、推論予算を削減すると、ほとんどのモデルで検索品質が維持または向上した。パレートフロンティアには、主要な埋め込みモデルと1つのLLM、Gemini 3.1 Proが含まれる。これらの結果は分業を支持する。すなわち、類似度、分類、クラスタリングには埋め込みモデルを使用し、LLMは推論集約的な検索に限定して使用する。我々のコード、データセット、結果は https://github.com/embeddings-benchmark/embedders-dilemma で公開されている。

English

Should you replace your text-embedding pipeline with a large language model? We answer this with a controlled, cost-aware comparison of ten LLMs across six families and 26 embedding models (118M to 14B parameters) on 37 tasks spanning classification, semantic textual similarity (STS), clustering, pair classification, and retrieval. In aggregate the two paradigms are effectively tied: the best LLM (Gemini 3.1 Pro, 77.6) and the best embedding model (77.2) differ by 0.4 points. Their strengths differ by task: LLMs lead on reasoning-heavy retrieval, embedding models lead on classification, and the two match on clustering, STS, and pair classification. Reaching that parity is expensive. An LLM costs up to 1,431x more than an embedding model of comparable quality (USD 154 vs. USD 0.11 per benchmark pass), and the open LLMs tested process tokens 2.5 to 736x more slowly on the same GPU. Reasoning tokens account for 28 to 81% of LLM inference cost; lower reasoning budgets preserve or improve retrieval quality for most models in our ablation. The Pareto frontier contains the leading embedding models and one LLM, Gemini 3.1 Pro. These results support a division of labour: use embedding models for similarity, classification, and clustering, and reserve LLMs for reasoning-intensive retrieval. Our code, datasets, and results are publicly available at https://github.com/embeddings-benchmark/embedders-dilemma.