/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-Embedding-0.6B
Библиотека
gguf
Опубликована
5 сен 2026

Qwen3-Embedding-0.6B-Q8-NVFP4

ЭмбеддингиТекст → embedding9 профессий

Квантизированная GGUF-версия Qwen3-Embedding-0.6B для создания текстовых эмбеддингов и семантического поиска.

60скачиваний за 30 дней1лайквеса обновлены5 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AIconjured подготовил GGUF-квантизацию текстовой модели эмбеддингов Qwen3-Embedding-0.6B, разработанной командой Qwen. Модель создаёт 1024-мерные векторы для текстов и рассчитана на задачи семантического поиска и извлечения признаков. Заявленная длина контекста — 32K токенов; используется last-token pooling.

Веса упакованы в формат GGUF со смешанной точностью NVFP4, Q8_0 и F32: NVFP4 применяется к основным матричным слоям, а чувствительные к качеству компоненты оставлены в более высокой точности. Размер файла — 507 МБ. По замерам автора, среднее косинусное сходство эмбеддингов с версией F16 составило 0,97472 на выборке из 20 текстов; для сложных семантических запросов возможно снижение качества поиска. Наиболее быстрый путь NVFP4 рассчитан на GPU Blackwell, а на других GPU веса могут работать после деквантизации.

Модель предназначена для построения текстового поиска и других систем, использующих эмбеддинги. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • создание эмбеддингов документов для поискового индекса
  • семантический поиск по коллекции текстов
  • поиск релевантных фрагментов для RAG-системы
  • сравнение смысловой близости текстов
  • извлечение признаков из текстовых данных

Ограничения

Квантизация NVFP4 уступает исходной версии F16 по сходству эмбеддингов и может снижать полноту поиска на сложных семантических запросах. Максимальное ускорение NVFP4 рассчитано на GPU Blackwell; на других GPU возможна деквантизация с меньшим преимуществом по скорости.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-Embedding-0.6B-Q8-NVFP4

Qwen3-Embedding-0.6B · NVFP4 quantized · 507 MB

A hand-built GGUF of the Qwen3-Embedding-0.6B text embedding model, quantized with a mixed NVFP4 recipe for Blackwell GPUs. 1024-dim embeddings, 32K context, last-token pooling.

Credits

Files

FileSizeDescription
Qwen3-Embedding-0.6B-NVFP4.gguf507 MB310 tensors: 84 NVFP4 (FFN GEMMs) + 113 Q8_0 (embeddings, attention, norms) + 113 F32 (norms/biases/ssm)

Size: 507 MB — down from 1198 MB (F16) and 639 MB (Q8_0).

Quantization recipe

Mixed-precision, built with llama.cpp's --tensor-type-file plus an imatrix generated from ~144 KB of mixed calibration text:

TypeTensorsWhatWhy
NVFP484ffn_gate/up/down (all 28 layers)The big GEMMs — where the bits are. Native Blackwell FP4 path.
Q8_0113token_embd, attn_q/k/v/output, all attention normsEmbedding geometry is sensitive; Q8_0 is near-lossless.
F32113All norm weights, biasesTiny but quantizing them causes quality loss.

Recipe (llama.cpp --tensor-type-file format):

token_embd\.weight=q8_0
output_norm\.weight=q8_0
blk\.\d+\.ffn_gate\.weight=nvfp4
blk\.\d+\.ffn_up\.weight=nvfp4
blk\.\d+\.ffn_down\.weight=nvfp4

Measured quality

Embedding cosine similarity vs the F16 original, measured on 20 diverse texts through the actual llama.cpp runtime (last-token pooling, 1024-dim):

QuantMean cosine vs F16Min (worst case)
Q8_00.999360.99765
NVFP4 (this model)0.974720.95203

Short factual queries stay tight (~0.98); harder semantic queries drift up to ~18°. In retrieval, expect a small recall drop concentrated on nuanced queries. If you need near-lossless embeddings, use the Q8_0 version instead.

Usage

Ollama:

FROM ./Qwen3-Embedding-0.6B-NVFP4.gguf

llama.cpp:

llama-server -m Qwen3-Embedding-0.6B-NVFP4.gguf --embedding -c 32768
# POST /embeddings {"input": "your text"}

Hardware notes

  • Built and verified on 2× RTX 5060 Ti (Blackwell, sm_120a) with a CUDA 12.8 llama.cpp build.
  • NVFP4 kernels use the native Blackwell FP4 path; on non-Blackwell GPUs the tensors still load and run (dequantized), with less speed advantage.
  • The model is tiny (507 MB) — fits entirely in a single GPU with large context headroom.

Reproduction

  • llama.cpp: 378aa2ebc (2026-08-27), CUDA build
  • Quantize: llama-quantize --imatrix imatrix-emb.gguf --tensor-type-file recipe-emb-nvfp4.txt ...
  • Imatrix: 32 chunks × 2048 tokens, mixed wiki/prose calibration

License

Apache-2.0, matching the base Qwen/Qwen3-Embedding-0.6B model.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · gguf

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
199a499

0 моделей