Характеристики

Контекст: 40 960 токенов
Параметры: 7,6 млрд
Размер весов: 15,1 ГБ
Лицензия: Apache 2.0
Архитектура: qwen3 · dense
Базовая модель: Qwen3-8B-Base
Опубликована: 29 авг 2026

Ссылки

Qwen3-Embedding-8B-mxfp8

ЭмбеддингиТекст → embedding10 профессий

Производная модели mlx-community/Qwen3-Embedding-8B-mxfp8. Текстовая модель эмбеддингов Qwen3 на 7,6 млрд параметров для семантического поиска и сравнения сходства текстов.

399скачиваний за 30 дней0лайковвеса обновлены29 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

Карточка модели emee-ai/Qwen3-Embedding-8B-mxfp8 на Hugging Face совпадает с карточкой mlx-community/Qwen3-Embedding-8B-mxfp8, поэтому описание составлено по ней.

mlx-community/Qwen3-Embedding-8B-mxfp8 — текстовая модель эмбеддингов семейства Qwen3, подготовленная сообществом mlx-community в формате MLX из Qwen/Qwen3-Embedding-8B. Она предназначена для получения векторных представлений текста, сравнения сходства предложений и поиска по семантической близости. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 40 960 токенов.

Модель подходит для семантического поиска, поиска фрагментов для RAG и ранжирования текстов по сходству. Репозиторий README указывает на формат MLX и пакет mlx-embeddings версии 0.0.3; метаданные также отмечают форматы safetensors и возможности эмбеддингов. Лицензия — Apache-2.0. Данные не подтверждают отдельную поддержку конкретных естественных языков.

Сценарии применения

семантический поиск по коллекции документов
поиск релевантных фрагментов для RAG
сравнение сходства предложений
поиск дубликатов и похожих текстов
ранжирование текстов по семантической близости

Ограничения

README описывает конверсию в формат MLX, поэтому для использования может потребоваться совместимое программное окружение. Поддерживаемые естественные языки в предоставленных данных не перечислены.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей 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

mlx-community/Qwen3-Embedding-8B-mxfp8

The Model mlx-community/Qwen3-Embedding-8B-mxfp8 was converted to MLX format from Qwen/Qwen3-Embedding-8B using mlx-embeddings version 0.0.3.

Use with mlx

pip install mlx-embeddings

from mlx_embeddings import load, generate
import mlx.core as mx

model, tokenizer = load("mlx-community/Qwen3-Embedding-8B-mxfp8")

# For text embeddings
output = generate(model, processor, texts=["I like grapes", "I like fruits"])
embeddings = output.text_embeds  # Normalized embeddings

# Compute dot product between normalized embeddings
similarity_matrix = mx.matmul(embeddings, embeddings.T)

print("Similarity matrix between texts:")
print(similarity_matrix)

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры: Qwen3ForCausalLM
Ревизия весов: 849a063