/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
7,6 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-Embedding-8B
Библиотека
transformers
Опубликована
10 июл 2026

Qwen3-Embedding-8B-AWQ

ЭмбеддингиТекст → embedding9 профессий

LostGentoo/Qwen3-Embedding-8B-AWQ — квантованная версия модели Qwen3-Embedding-8B, разработанная LostGentoo на базе модели Qwen от Qwen.

357скачиваний за 30 дней1лайквеса обновлены10 июл 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

Это модель для построения векторных представлений текста и задач семантического сходства, поиска и retrieval-сценариев. Она поддерживает английский и китайский языки, использует архитектуру Qwen3ForCausalLM с преобразованием в embedding- или pooling-режим и рассчитана на контекст до 8192 токенов.

Модель применяет 4-битное AWQ-квантование W4A16: 252 линейных слоя хранятся в формате INT4, а embed_tokens и RMSNorm — в BF16. Размер эмбеддинга составляет 4096, при этом базовая модель поддерживает Matryoshka Representation Learning с размерностями от 32 до 4096. В конфигурации sentence-transformers используются pooling по последнему токену и L2-нормализация. Размер модели на диске около 4,8 ГБ против примерно 15 ГБ у версии BF16, что снижает требования к памяти.

По приведённым оценкам MTEB-lite, квантование сохраняет большую часть качества исходной модели: для STSBenchmark Spearman составляет 0,881 против 0,884 у BF16, а для SciFact nDCG@10 — 0,777 против 0,787; корреляция оценок AWQ и BF16 равна 0,996. Ограничения включают возможную небольшую потерю качества из-за квантования и необходимость корректной настройки pooling-режима при использовании через vLLM. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

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-8B-AWQ (W4A16)

AWQ 4-bit (W4A16) quantization of Qwen/Qwen3-Embedding-8B, built with llm-compressor in compressed-tensors format.

What is quantized

ComponentPrecision
All decoder Linear layers (q/k/v/o_proj, MLP)INT4 W4A16, g128, symmetric
embed_tokens, RMSNormsBF16
  • 252 Linear layers quantized; on-disk ~4.8 GB (vs ~15 GB BF16).
  • Sentence-transformers configs included (last-token pooling + L2 normalize).
  • Embedding dim 4096 (MRL: dims 32-4096 supported by the base model).

Quality (AWQ vs BF16)

MTEB-lite on RTX 5060 Ti (sm_120):

TaskBF16AWQRecovery
STSBenchmark Spearman0.8840.88199.6%
SciFact nDCG@100.7870.77798.8%
STS score Pearson AWQ vs BF16--0.996

Evals

Full AWQ vs BF16 dump: LostGentoo/awq-quant-evals (qwen3_embedding_8b_awq_vs_bf16.json, plus combined quant_quality_evals.json).

Optimal vLLM serve (embeddings)

Base arch is Qwen3ForCausalLM - convert it to a pooling/embedding runner. compressed-tensors is auto-detected - do not pass --quantization awq.

vllm serve LostGentoo/Qwen3-Embedding-8B-AWQ \
  --runner pooling \
  --convert embed \
  --pooler-config '{"pooling_type":"LAST","task":"embed"}' \
  --trust-remote-code \
  --max-model-len 8192 \
  --gpu-memory-utilization 0.90 \
  --generation-config vllm

Notes:

  • --runner pooling --convert embed: required so /v1/embeddings is exposed.
  • --pooler-config pooling_type=LAST: matches official Qwen3-Embedding last-token pooling. L2-normalize client-side if the response is not already unit-norm.
  • Instructions: for retrieval queries, prefix with Instruct: <task>\nQuery:<text> (documents: raw text, no instruct). See the base model card.
  • Matryoshka: for e.g. 1024-d vectors add "dimensions":1024 inside --pooler-config.
  • Blackwell: Marlin W4A16 works; add --enforce-eager only if bring-up hits compile issues.

OpenAI-compatible embeddings

curl http://127.0.0.1:8000/v1/embeddings \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "LostGentoo/Qwen3-Embedding-8B-AWQ",
    "input": [
      "Instruct: Given a web search query, retrieve relevant passages that answer the query\nQuery: What is the capital of France?",
      "Paris is the capital and largest city of France."
    ]
  }'

sentence-transformers

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("LostGentoo/Qwen3-Embedding-8B-AWQ")
emb = model.encode(["The capital of France is Paris."])
print(emb.shape)  # (1, 4096)

transformers (last-token pool)

import torch
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained("LostGentoo/Qwen3-Embedding-8B-AWQ", device_map="auto")
tok = AutoTokenizer.from_pretrained("LostGentoo/Qwen3-Embedding-8B-AWQ")
texts = ["The capital of France is Paris."]
inputs = tok(texts, padding=True, return_tensors="pt").to(model.device)
with torch.no_grad():
    hidden = model(**inputs).last_hidden_state
    lengths = inputs["attention_mask"].sum(dim=1) - 1
    emb = hidden[torch.arange(hidden.size(0)), lengths]
    emb = torch.nn.functional.normalize(emb, p=2, dim=1)
print(emb.shape)  # (1, 4096)

Recipe

  • llm-compressor 0.12: AWQModifier(duo_scaling=False) + QuantizationModifier(W4A16)
  • Calib: 256 samples from WikiText-2-raw, seq 2048
  • Load: CPU + sequential onloading (Qwen3DecoderLayer) for 16 GB GPUs

License

Apache-2.0, inherited from the base model.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen3Model
Ревизия весов
c144392

0 моделей