Характеристики

Контекст: 32 768 токенов
Параметры: 508 млн
Архитектура: qwen3 · dense
Базовая модель: Qwen3-Embedding-0.6B
Библиотека: sentence-transformers
Опубликована: 7 окт 2026

Ссылки

qwen3-emb-0.6b-msmarco-n2506-ckpt40

ЭмбеддингиТекст → embedding

Дообученная на MS MARCO модель Qwen3-Embedding-0.6B преобразует запросы и документы в эмбеддинги для семантического поиска и ранжирования релевантных фрагментов.

102скачиваний за 30 дней0лайковвеса обновлены7 окт 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

canho/qwen3-emb-0.6b-msmarco-n2506-ckpt40 — текстовая модель эмбеддингов на базе Qwen/Qwen3-Embedding-0.6B, дообученная автором репозитория с помощью ms-swift и функции потерь InfoNCE. Чекпойнт сохранён на шаге 40 из 375; при обучении использовались пары запросов и отобранных фрагментов из MS MARCO v1.1, а также сложные негативные примеры.

Модель предназначена для преобразования поисковых запросов и документов в векторы для семантического поиска и сопоставления запросов с релевантными фрагментами. Для запросов применяется префикс «Query:», для документов — без префикса. Размер модели — около 507,6 млн параметров, архитектура — плотная Qwen3ForCausalLM, максимальный контекст — 32 768 токенов. README показывает использование через Sentence Transformers. Лицензия в предоставленных данных не указана.

Сценарии применения

поиск релевантных документов по запросу
извлечение подходящих фрагментов для RAG
семантическое сопоставление поисковых запросов и документов

Ограничения

Дообучение выполнено на выборке из 2 506 запросов MS MARCO v1.1 и сохранено на шаге 40 из 375, поэтому качество на других доменах и языках может отличаться. В предоставленных данных лицензия не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

canho/qwen3-emb-0.6b-msmarco-n2506-ckpt40

Qwen/Qwen3-Embedding-0.6B full fine-tuned with ms-swift InfoNCE, checkpoint at step 40 of 375 (epoch 0.54; best eval-loss checkpoint of the run so far: checkpoint-40).

Training data: microsoft/ms_marco v1.1 train, 2,506 queries sampled with seed 42 (exactly 1 selected passage; the first 9 unselected passages of the same query as hard negatives)
Recipe: Qwen3-Embedding SWIFT.md (swift sft --task_type embedding --loss_type infonce), lr 6e-6 (cosine), 5 epochs, 2 GPUs x per-device 4 x grad-acc 4 = 32 queries/step, in-batch negatives across the 8 queries of a micro-batch, temperature 0.1, DeepSpeed ZeRO-3, bf16, 5% held out for eval, checkpoint every 20 steps, seed 42.
Query prompt (set in config_sentence_transformers.json, prepended to every query): 'Query:'; documents without a prompt.

from sentence_transformers import SentenceTransformer
m = SentenceTransformer("canho/qwen3-emb-0.6b-msmarco-n2506-ckpt40", processor_kwargs={"padding_side": "left"})
q = m.encode(["..."], prompt_name="query"); d = m.encode(["..."])

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры: Qwen3ForCausalLM
Ревизия весов: 4e9c319