Характеристики

Контекст: 40 960 токенов
Параметры: 3,7 млрд
Архитектура: qwen3 · dense
Базовая модель: Qwen3-Embedding-4B
Библиотека: sentence-transformers
Опубликована: 7 мая 2026

Ссылки

Hugging Face

qwen3-embedding

hyunseop

ЭмбеддингиТекст → embedding7 профессий

Дообученная на корейских данных модель Qwen3 для создания текстовых эмбеддингов и семантического поиска.

123скачиваний за 30 дней0лайковвеса обновлены24 июн 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

hyunseop/qwen3-embedding — дообученная Hyunseop модель текстовых эмбеддингов на базе Qwen/Qwen3-Embedding-4B. Она предназначена для семантического поиска и извлечения документов на корейском языке. Модель использует плотную архитектуру Qwen3 с 3,7 млрд параметров и контрастивное обучение на парах запрос–документ из синтетического корейского набора Nemotron-Personas-Korea; заявленная длина контекста — 40 960 токенов.

В README приведены результаты оценки на корейских наборах AutoRAG и MIRACL; они характеризуют проверенные сценарии поиска, но не гарантируют аналогичное качество на других данных. Модель принимает текст и выдаёт эмбеддинги для последующего поиска или сравнения текстов. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

Сценарии применения

семантический поиск по корейским документам
поиск документов по запросу на корейском языке
ранжирование корейских текстов по релевантности
поиск похожих предложений на корейском
извлечение документов для корейской RAG-системы

Ограничения

Оценки приведены для конкретных корейских наборов и могут не отражать качество на других корпусах и типах запросов. Сведения о лицензии в предоставленных материалах отсутствуют.

Для каких профессий подходит7

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 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.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

qwen3-embedding-h100

H100 fine-tuned Korean embedding model based on Qwen/Qwen3-Embedding-4B.

This is the stronger of the two uploaded models for public Korean retrieval. Compared with bge-m3-ko-h100, it is the better model to highlight when you want the strongest general Korean retrieval story.

Training

Fine-tuned from Qwen/Qwen3-Embedding-4B with a contrastive (in-batch-negative) objective.

Base model: Qwen/Qwen3-Embedding-4B
Training data: nvidia/Nemotron-Personas-Korea — synthetic Korean personas (demographic / geographic / personality), used as (query, positive-document) pairs
Objective: sentence-transformers MultipleNegativesRankingLoss (in-batch negatives, InfoNCE-style)
Hardware: 4×H100 (Slurm)
Hyperparameters: 3 epochs · per-device batch size 1 · gradient accumulation 8 · learning rate 1e-5 · warmup ratio 0.1 · weight decay 0.01 · bf16
Finetune run: 111677_20260506_114341_both_2gpu

Benchmark Results

AutoRAG

Corpus size: 720
Queries evaluated: 114
MRR: 0.7677
MAP: 0.7677
Hit@1: 0.6579
Hit@5: 0.9035
Hit@10: 0.9298
Hit@50: 0.9649

MIRACL

Task: MIRACLRetrieval
Dataset subset: ko
Corpus size: 1,486,752
Queries evaluated: 213
mRR: 0.5773
mAP: 0.4328

cutoff	Precision	Recall	F1	mAP	mRR	NDCG
@1	0.46479	0.29452	0.32978	0.29452	0.464789	0.46479
@3	0.25665	0.42305	0.28522	0.42305	0.577318	0.45190
@5	0.18310	0.47493	0.23726	0.47493	0.577318	0.45852
@10	0.11737	0.58359	0.17922	0.58359	0.577318	0.49227
@20	0.07254	0.67332	0.12345	0.67332	0.577318	0.52325
@100	0.02028	0.83695	0.03891	0.83695	0.577318	0.56629
@1000	0.00246	0.95250	0.00491	0.95250	0.577318	0.58808

Artifacts

Model: output/111677_20260506_114341_both_2gpu/qwen
AutoRAG benchmark: benchmark_results/autorag_benchmark.json
MIRACL summary: benchmark_results/qwen_miracl_fast4/miracl_benchmark.txt
MIRACL details: benchmark_results/qwen_miracl_fast4/miracl_benchmark.json

Comparison note

Strongest public Korean retrieval story among the open Korean embedding models I checked
Ahead of dragonkue/snowflake-arctic-embed-l-v2.0-ko 0.740433, dragonkue/BGE-m3-ko 0.729993, nlpai-lab/KURE-v1 0.727739, and nlpai-lab/KoE5 0.711356 on the Korean retrieval leaderboard cited by the model card
Public Qwen3-Embedding-4B leaderboard result on Korean retrieval is average NDCG@10 0.7484

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: Qwen3Model
Ревизия весов: 0395ad5