Характеристики

Контекст: 32 768 токенов
Параметры: 508 млн
Лицензия: Apache 2.0
Архитектура: qwen3 · dense
Базовая модель: Qwen3-Embedding-0.6B
Опубликована: 14 июл 2026

Ссылки

Hugging Face

qwen3-embedding-0.6b-lrat-fullv1-broad-extrap-a125

Steve0927

ЭмбеддингиТекст → embedding9 профессий

Экспериментальная дообученная модель Qwen3 для создания текстовых эмбеддингов и семантического поиска.

11скачиваний за 30 дней0лайковвеса обновлены14 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Qwen3 Embedding 0.6B LRAT Full-v1 to Broad Extrapolation a1.25 — экспериментальный текстовый энкодер для получения признаковых представлений и семантического поиска. Это дообученная модель семейства Qwen3 с плотной архитектурой Qwen3Model и примерно 507,6 млн параметров; она основана на Qwen/Qwen3-Embedding-0.6B. Модель принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 32 768 токенов.

Чекпойнт получен экстраполяцией направления между двумя версиями ретривера команды: full-v1 и broad-g16-v2. Обе версии обучались на предоставленных организаторами траекториях LRAT и корпусе. Выбор чекпойнта опирался на локальную оценку с фиксированными seed в процессе BrowseComp-Plus Agent и Judge; авторы не заявляют эти оценки как официальные результаты. Лицензия — Apache-2.0.

Сценарии применения

создание эмбеддингов для текстового поиска
семантический поиск по корпусу документов
построение ретривера для BrowseComp-Plus
сравнение текстов по близости в пространстве эмбеддингов

Ограничения

В README не приведены языки и официальные результаты оценки. Указанные локальные оценки использовались только для выбора чекпойнта и не являются официальными результатами.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.12Универсальные способностиРекомендации и персонализацияAI помогает подбирать релевантные варианты и адаптировать опыт под конкретного человека или ситуацию.15 задач7 627моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3 Embedding 0.6B LRAT Full-v1 to Broad Extrapolation a1.25

This checkpoint extends the aggregate training direction from the team's full-v1 retriever to broad-g16-v2:

full-v1 + 1.25 * (broad-g16-v2 - full-v1)

Both endpoints start from Qwen/Qwen3-Embedding-0.6B and were trained only on the organizer-provided LRAT trajectories and corpus. This is a global parameter direction; no A-board query, qrel, per-query failure, or external corpus was used to construct it. No weights from another pretrained checkpoint are used.

The checkpoint was selected by aggregate fixed-seed evaluation with the released BrowseComp-Plus Agent and Judge workflow using Qwen3.5-4B. Local scores are used only for checkpoint selection and are not claimed as official results.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: Qwen3Model
Ревизия весов: 8a8032e