/ Модель
Каталог

Характеристики

Лицензия
MIT
Базовая модель
bge-m3
Опубликована
16 апр 2026

Ссылки

Hugging Face

bge-m3-GGUF

cstr
ЭмбеддингиТекст → embedding9 профессий

cstr/bge-m3-GGUF — это конвертированная в формат GGUF версия модели BAAI/bge-m3, разработанной BAAI.

1 748скачиваний за 30 дней1лайквеса обновлены2 авг 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

Репозиторий предназначен для запуска модели через лёгкий C/C++-движок CrispEmbed на базе ggml, без Python и ONNX.

Модель предназначена для получения текстовых эмбеддингов и задач многоязычного семантического поиска и извлечения информации. BGE-M3 поддерживает плотное, разреженное и многовекторное представление ColBERT в одной модели, заявлена поддержка более 100 языков и контекста до 8192 токенов. Архитектура — XLM-R; модель содержит 568 млн параметров, 24 слоя, размерность эмбеддингов 1024, использует mean pooling и токенизатор SentencePiece. Указана только текстовая модальность.

Доступны варианты квантования Q4_K размером 438 МБ и Q8_0 размером 583 МБ, а также версия F32 размером 2175 МБ. Преимущество GGUF-версии — возможность локального и ресурсоэффективного запуска, включая серверный режим CrispEmbed. Согласно README, результаты проверены на битовое соответствие реализации sentence-transformers с косинусным сходством не менее 0,999 на тестовых текстах. Ограничение состоит в том, что репозиторий выполняет только конвертацию и/или квантование исходных весов; сведения о качестве, обучающих данных и возможностях следует уточнять в карточке BAAI/bge-m3. Модель распространяется по лицензии MIT, при этом репозиторий не предоставляет прав сверх лицензии исходной модели.

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 467моделейI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейI.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bge-m3 GGUF

GGUF format of BAAI/bge-m3 for use with CrispEmbed.

BGE-M3. Dense + sparse + ColBERT multi-vector retrieval in one model. 100+ languages, 8192 context.

Files

FileQuantizationSize
bge-m3-q4_k.ggufQ4_K438 MB
bge-m3-q8_0.ggufQ8_0583 MB
bge-m3.ggufF322175 MB

Quick Start

# Download
huggingface-cli download cstr/bge-m3-GGUF bge-m3-q4_k.gguf --local-dir .

# Run with CrispEmbed
./crispembed -m bge-m3-q4_k.gguf "Hello world"

# Or with auto-download
./crispembed -m bge-m3 "Hello world"

Model Details

PropertyValue
ArchitectureXLM-R
Parameters568M
Embedding Dimension1024
Layers24
Poolingmean
TokenizerSentencePiece
Base ModelBAAI/bge-m3

Verification

Verified bit-identical to HuggingFace sentence-transformers (cosine similarity >= 0.999 on test texts).

Usage with CrispEmbed

CrispEmbed is a lightweight C/C++ text embedding inference engine using ggml. No Python runtime, no ONNX. Supports BERT, XLM-R, Qwen3, and Gemma3 architectures.

# Build CrispEmbed
git clone https://github.com/CrispStrobe/CrispEmbed
cd CrispEmbed
cmake -S . -B build && cmake --build build -j

# Encode
./build/crispembed -m bge-m3-q4_k.gguf "query text"

# Server mode
./build/crispembed-server -m bge-m3-q4_k.gguf --port 8080
curl -X POST http://localhost:8080/v1/embeddings \
    -d '{"input": ["Hello world"], "model": "bge-m3"}'

Credits

  • Original model: BAAI/bge-m3
  • Inference engine: CrispEmbed (ggml-based)
  • Conversion: convert-bert-embed-to-gguf.py

Provenance and EU AI Act Art. 53 note

  • Upstream model: BAAI/bge-m3 — published by BAAI.
  • Upstream licence: mit. This repository redistributes under the same terms; it grants no rights the upstream licence does not.
  • What was done here: format conversion and/or quantisation only (GGUF/GGML). No training, no fine-tuning, no merging, no distillation, no change to architecture, vocabulary or capability. Only the numeric representation of the upstream weights differs.
  • Training data: documented — where it is documented at all — by the upstream provider; see the upstream model card. No training data was used, added or selected by this repository.
  • Provider status: under Regulation (EU) 2024/1689 the upstream authors remain the provider of this model. Converting the serialisation format does not make this repository the provider of a new general-purpose AI model, and no such claim is made. Questions about training content, copyright policy or model capability belong upstream.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
12557c1

0 моделей

    Создать бенчмарк