/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
508 млн
Размер весов
599 МБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Опубликована
17 июн 2025

qwen3-embedding-0.6b-int8-tei-onnx

Генерация текстаТекст → текст9 профессий

Квантованная ONNX-версия Qwen3-Embedding-0.6B для создания многоязычных текстовых эмбеддингов и сравнения сходства предложений с эффективным CPU-инференсом.

131скачиваний за 30 дней2лайкавеса обновлены17 июн 2025

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

Это квантованная до INT8 и преобразованная в ONNX версия Qwen3-Embedding-0.6B, подготовленная janni-t для запуска через Text Embeddings Inference (TEI) с ускорением на CPU. Модель имеет около 507,6 млн параметров, использует архитектуру Qwen3 и контекст до 32 768 токенов; README указывает на mean pooling для получения текстовых эмбеддингов.

Модель предназначена для построения эмбеддингов и оценки сходства текстов в многоязычных приложениях, включая поиск, семантическое сопоставление и сценарии с высокой нагрузкой на CPU или периферийных устройствах. В README заявлены размер около 0,56 ГБ и ускорение CPU-инференса в 2–4 раза относительно float32 при потере точности 1–3%; это оценочные характеристики автора карточки. Поддерживаются языки, перечисленные в метаданных, включая русский, английский и китайский.

Лицензия — Apache-2.0. Для работы требуется совместимый runtime ONNX и TEI; квантование может немного снизить точность относительно исходной модели.

Сценарии применения

  • семантический поиск по многоязычным документам
  • поиск похожих предложений и текстов
  • сопоставление запросов с фрагментами документов для RAG
  • кластеризация текстов по эмбеддингам
  • развертывание сервиса эмбеддингов на CPU или периферийном устройстве

Ограничения

Квантование INT8 может снизить точность примерно на 1–3% по сравнению с float32; показатели скорости и точности приведены в README как ожидаемые. Модель предназначена для получения эмбеддингов и оценки сходства текстов, а не для генерации ответов.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-Embedding-0.6B ONNX INT8 for Text Embeddings Inference

This is an INT8 quantized ONNX version of Qwen/Qwen3-Embedding-0.6B optimized specifically for Text Embeddings Inference (TEI) with CPU acceleration.

Key Features

  • INT8 Quantization: ~8x smaller model size (0.56GB vs 4.7GB)
  • CPU Optimized: 2-4x faster inference on CPU compared to float32
  • TEI Compatible: Properly formatted for Text Embeddings Inference
  • Multilingual: Supports 29 languages including English, Chinese, Russian, Japanese, etc.
  • Mean Pooling: Configured for mean pooling (handled by TEI)

Performance

  • Model size: 0.56 GB (vs 4.7 GB float32)
  • Expected speedup: 2-4x on CPU
  • Accuracy: Minimal loss (1-3%) compared to float32
  • Best for: CPU deployments, edge devices, high-throughput scenarios

Usage with Text Embeddings Inference

Docker Deployment (CPU)

docker run -p 8080:80 \
  -e OMP_NUM_THREADS=$(nproc) \
  -e KMP_AFFINITY=granularity=fine,compact,1,0 \
  -e ORT_THREAD_POOL_SIZE=$(nproc) \
  ghcr.io/huggingface/text-embeddings-inference:cpu-latest \
  --model-id YOUR_USERNAME/qwen3-embedding-0.6b-int8-tei-onnx

Python Client

from huggingface_hub import InferenceClient

client = InferenceClient("http://localhost:8080")

# Single embedding
response = client.post(
    json={"inputs": "What is Deep Learning?"},
)
embedding = response.json()

# Batch embeddings
response = client.post(
    json={"inputs": ["What is Deep Learning?", "深度学习是什么?"]},
)
embeddings = response.json()

CPU Optimization

For optimal CPU performance, set these environment variables:

export OMP_NUM_THREADS=$(nproc)          # Use all physical cores
export KMP_AFFINITY=granularity=fine,compact,1,0
export ORT_THREAD_POOL_SIZE=$(nproc)

License

Apache 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
8fe0c23

0 моделей