/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
508 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-Embedding-0.6B
Опубликована
27 июл 2026

Qwen3-Embedding-0.6B-W8A16-g128-resident

Генерация текстаТекст → текст9 профессий

Многоязычная квантизованная модель Qwen3 для создания текстовых эмбеддингов и семантического поиска с уменьшенным потреблением видеопамяти.

17скачиваний за 30 дней0лайковвеса обновлены27 июл 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Nicolassuez/Qwen3-Embedding-0.6B-W8A16-g128-resident — производная модель эмбеддингов на основе Qwen3-Embedding-0.6B от Qwen. Это плотная архитектура Qwen3 с 507,6 млн параметров, контекстом до 32 768 токенов и поддержкой многоязычных текстов. Модель предназначена для создания текстовых эмбеддингов и семантического поиска; для получения векторов README рекомендует pooling по последнему токену и L2-нормализацию.

Веса линейных слоёв квантизованы методом int8 weight-only с группами размера 128, а таблица эмбеддингов также хранится в int8 с отдельным bf16-масштабом для каждой строки. Реализация с custom code удерживает квантизованные веса в VRAM и деквантизует слои во время прямого прохода. По замерам README, это снижает объём резидентных весов и VRAM-потребление по сравнению с bf16, но увеличивает задержку; в приведённом тесте качество поиска оставалось близким к bf16.

Для загрузки через Transformers требуется trust_remote_code=True; модель также запускается через Infinity и SentenceTransformers. Для совместимости эмбеддингов при индексации и поиске следует использовать одну и ту же версию Transformers: README сообщает о численном дрейфе между версиями 4.57 и 5.14. Лицензия — Apache-2.0.

Сценарии применения

  • семантический поиск по многоязычному корпусу документов
  • создание эмбеддингов для векторной базы данных
  • поиск похожих документов и фрагментов текста
  • построение многоязычного retrieval-контура
  • развёртывание модели эмбеддингов при ограниченной видеопамяти

Ограничения

Для загрузки через Transformers требуется trust_remote_code=True. Численные различия между версиями Transformers могут менять эмбеддинги, поэтому версии при индексации и поиске следует согласовывать; квантизация также увеличивает задержку относительно bf16 в приведённых замерах.

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 W8A16 g128, int8-RESIDENT (custom code)

Same int8 weight-only group_size-128 quantization as Qwen3-Embedding-0.6B-W8A16-g128, but packaged as repo custom code (trust_remote_code=True) whose Int8GroupLinear modules keep the int8 weights RESIDENT in VRAM and dequantize one layer at a time inside forward.

Why: transformers decompresses compressed-tensors checkpoints to bf16 in VRAM (lazily, at first forward) and keeps the bf16, so the stock format saves download but not resident memory. This packaging saves both.

Measured (H100):

bf16this repo
Resident weights (transformers, both after forwards)1136 MiB740 MiB
Infinity 0.0.77, --batch-size 8, process VRAM2490 MiB2102 MiB (-16%)
Latency in-process, batch 1 / batch 3217.2 / 23.3 ms23.0 / 29.8 ms

Fidelity: quantization identical to the W8A16-g128 repo (recall@10 0.976 vs bf16 on a 360-doc multi-script index; embedding cosine 0.999 vs the bf16 service).

Usage

from sentence_transformers import SentenceTransformer
model = SentenceTransformer("Nicolassuez/Qwen3-Embedding-0.6B-W8A16-g128-resident",
                            trust_remote_code=True)

or AutoModel.from_pretrained(..., trust_remote_code=True) with last-token pooling + L2 normalize. Works in Infinity:

infinity_emb v2 --model-id Nicolassuez/Qwen3-Embedding-0.6B-W8A16-g128-resident \
    --trust-remote-code --no-bettertransformer --device cuda

(--no-bettertransformer is required: Infinity 0.0.77's BetterTransformer probe crashes when optimum is absent or >= 2.0.)

nn.Module.to(dtype) only casts floating-point tensors, so the int8 buffers survive the .to(float16/bfloat16) calls sentence-transformers and Infinity make.

Caveat: transformers version pinning

Qwen3 forward numerics drift between transformers 4.57 and 5.14 (embedding cosine ~0.973 between the two, measured on this model; the drift exists for the bf16 base too). Embeddings indexed with one version should be queried with the same version.

Update: int8 embedding table

The embedding table (151669 x 1024, 26% of parameters) is now ALSO stored int8, with one bf16 scale per row (a lookup gathers single rows, no accumulation crosses the quantized axis, so per-row scaling is the natural granularity). Resident weights drop 740 -> 592 MiB. Validated on the 360-doc / 70-query benchmark against bf16: mean weight cosine unchanged (0.99922 vs 0.99923 with the bf16 table) and every top-1 change happens on candidate pairs the bf16 model itself separates by less than 0.01. Do NOT replicate this on the reranker: its lm_head is tied to the table and the yes/no score reads it directly.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
26a8179

0 моделей