/ Модель
Каталог

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

Hugging Face

qwen3-emb-0.6b-reasonir-n2506-ckpt200

canho
ЭмбеддингиТекст → embedding

Дообученная на данных ReasonIR модель Qwen3 для получения текстовых эмбеддингов и семантического поиска.

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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — 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.

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 подготовил дообученную модель текстовых эмбеддингов на базе Qwen3-Embedding-0.6B. Она предназначена для кодирования запросов и документов в векторы для семантического поиска и сравнения предложений. Модель обучена с помощью ms-swift и функции потерь InfoNCE на контрольной точке шага 200 из 375; для запросов используется префикс «Query:», для документов префикс не нужен. Размер — 507,6 млн параметров, контекст — до 32 768 токенов. Модель принимает текст и выдаёт эмбеддинги; основная архитектура — плотная Qwen3.

Сценарии применения

  • поиск документов по смыслу запроса
  • сравнение семантической близости предложений
  • создание векторного индекса документов
  • поиск с запросом и релевантными документами в RAG-системе

Ограничения

Это ранняя контрольная точка дообучения: в README указано, что лучший eval-loss в этом запуске был у checkpoint-180, а опубликован checkpoint-200. Обучающий набор небольшой и частично пересекается с корпусом BRIGHT; для запросов нужно использовать префикс «Query:».

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

canho/qwen3-emb-0.6b-reasonir-n2506-ckpt200

Qwen/Qwen3-Embedding-0.6B full fine-tuned with ms-swift InfoNCE, checkpoint at step 200 of 375 (epoch 2.67; best eval-loss checkpoint of the run so far: checkpoint-180).

  • Training data: reasonir/reasonir-data hq + vl pooled, 2,506 rows sampled with seed 42 (695 hq + 1,811 vl; 1 positive + 1 synthetic hard negative; hq positives filled from xlangai/BRIGHT documents, so hq overlaps the BRIGHT corpus). Data license cc-by-nc-4.0
  • 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-reasonir-n2506-ckpt200", 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
ee409ec

0 моделей

    Создать бенчмарк