/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
63,9 млн
Лицензия
Apache 2.0
Архитектура
minimind · MoE
Базовая модель
minimind-3
Библиотека
sentence-transformers
Опубликована
28 июл 2026

minimind-embedding-moe

ЭмбеддингиТекст → embedding9 профессий

Компактная MoE-модель на базе MiniMind-3-MoE для построения текстовых эмбеддингов, семантического поиска и сравнения сходства текстов.

20скачиваний за 30 дней0лайковвеса обновлены29 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

Muzian/minimind-embedding-moe — компактная модель для получения текстовых эмбеддингов, разработанная на базе MiniMind-3-MoE. Это причинный декодер с четырьмя экспертами и маршрутизацией top-1: всего 198 млн параметров, из которых для каждого токена активны около 64 млн. Обучение использует рецепт Qwen3-Embedding: pooling по последнему токену, контрастивную функцию InfoNCE с маскированием ложных негативов и MRL для получения эмбеддингов разной размерности.

Модель предназначена для сравнения семантической близости текстов и поиска по смыслу; заявленный контекст — 32 768 токенов. В README приведены результаты на китайском бенчмарке C-MTEB STS, где MoE-версия уступает плотной MiniMind-Embedding на 0,056 в среднем. Метаданные указывают китайский и английский языки. Модель опубликована в формате safetensors, для использования предлагается библиотека Sentence Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • семантический поиск по текстовым коллекциям
  • поиск похожих предложений и документов
  • ранжирование текстов по семантической близости
  • кластеризация текстов по эмбеддингам

Ограничения

На малом масштабе MoE-версия уступает плотной модели MiniMind-Embedding по результатам C-MTEB STS; при 198 млн общих параметров активно около 64 млн, но вывод медленнее плотной версии. README также отмечает ограниченный словарь и ограниченность данных первого этапа обучения.

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

MiniMind-Embedding-MoE

params dim max_seq STS

A Mixture-of-Experts (MoE) text embedding model built on the MiniMind-3-MoE backbone (198M total / 64M active params), with the training pipeline fully aligned with Qwen3-Embedding. This is the MoE counterpart of MiniMind-Embedding-Dense.

📌 Introduction

This model uses the same Qwen3-Embedding recipe as the Dense version (causal attention + last-token pooling + InfoNCE with false-negative masking + MRL), but swaps the feed-forward layers for a 4-expert top-1 MoE. The goal is to study whether MoE architecture helps embedding quality at the small scale.

Core techniques

Last-Token Pooling

InfoNCE + False-Negative Mask

Matryoshka MRL

🏗️ Model Details

ItemValue
ArchitectureMiniMind-3-MoE (causal decoder-only, 4 experts top-1)
Total params198M
Active params64M (per token, 1 expert active)
Hidden size768
Layers8
Attention heads8 (query) / 4 (KV, GQA)
Vocab size6400
Embedding output dim768 (MRL: truncatable to 512/256/128/64)
Max sequence length8192
Poolinglast-token

🎓 Training Details (3 Stages)

StageDataLossStepsFinal LossStatus
1. Weakly-supervisedT2Ranking triplets (90k)Standard InfoNCE2,827~0.45✅ Done
2. SupervisedT2Ranking-15 (340k, 15 hard negs)InfoNCE + false-neg mask + MRL63,768 (3 epochs)~0.85✅ Done
3. Model mergingLast 5 Stage-2 checkpointsSLERP——✅ Done

MoE Training Loss

MoE Stage 1 (left) + Stage 2 (right), 3 epochs.

Dense vs MoE Training Loss

Dense vs MoE Loss

Note: MoE loss is consistently higher than Dense. This is expected — MoE routes tokens to different experts, making the InfoNCE contrastive task harder (each expert sees only a subset of the sequence's tokens). The higher train loss doesn't directly translate to worse embeddings, but the evaluation shows MoE underperforms Dense at this scale.

📊 Evaluation

C-MTEB STS (Spearman correlation)

Dense vs MoE Comparison

TaskDense (64M)MoE (198M-A64M)Δ
ATEC0.2650.201-0.064
BQ0.3790.297-0.082
LCQMC0.6310.582-0.049
STSB0.6370.607-0.030
Average0.4780.422-0.056

Key Finding: MoE underperforms Dense at small scale

💡 Surprising result: the MoE model (198M total / 64M active) underperforms the Dense model (64M) by 0.056 average STS. This is a counterintuitive but important finding:

  1. MoE fragmentation: with only 4 experts and top-1 routing, each expert sees only ~25% of tokens. For embedding (where the whole sentence's representation matters), this fragmentation hurts — no single expert gets a complete view of the sentence.
  2. Active params are the same: MoE activates 64M params per token (same as Dense's 64M), so it's not "bigger" in terms of compute — it's just more fragmented.
  3. Routing overhead: the router must learn to dispatch tokens, adding an optimization burden that competes with learning good representations.

Takeaway: for small embedding models, Dense > MoE. MoE benefits emerge at larger scales (Qwen3-Embedding uses MoE only at 4B+ params) where each expert is large enough to be expressive on its own.

🚀 Usage

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

model = SentenceTransformer("Muzian/minimind-embedding-moe")

documents = ["天空呈蓝色是因为阳光散射。", "红烧肉的做法是..."]
doc_embs = model.encode(documents, normalize_embeddings=True)

queries = ["天空为什么是蓝色的"]
query_embs = model.encode(queries, prompt_name="query", normalize_embeddings=True)

scores = cos_sim(query_embs, doc_embs)

Recommendation: for most use cases, prefer MiniMind-Embedding-Dense — it's smaller, faster, and scores higher. This MoE model is primarily for research/comparison.

⚠️ Limitations

  1. Same backbone limitations as Dense (vocab=6400, limited Stage-1 data)
  2. MoE underperforms Dense at this scale — see analysis above
  3. 198M params but only 64M active → inference is slower than Dense without quality gain

🙏 Acknowledgements

📄 License

Apache 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

Архитектура minimind неизвестна transformers в образе рантайма.

Класс архитектуры
MiniMindForEmbedding
Ревизия весов
3656e50

0 моделей