/ Модель

Характеристики

Контекст
8 194 токена
Параметры
659 млн
Размер весов
462 МБ
Лицензия
MIT
Архитектура
xlm-roberta · dense
Базовая модель
bge-m3
Библиотека
mlx
Опубликована
16 мар 2026

bge-m3-mlx-6bit

ЭмбеддингиТекст → embedding9 профессий

6-битная MLX-версия многоязычной BGE-M3 для построения текстовых эмбеддингов и семантического поиска на Apple Silicon.

298скачиваний за 30 дней0лайковвеса обновлены16 мар 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

mlx-community выпустила неофициальную 6-битную квантованную версию BAAI/bge-m3 для запуска на Apple Silicon с библиотекой MLX. Модель семейства XLM-RoBERTa содержит 658,7 млн параметров, принимает текст и формирует эмбеддинги размерностью 1024; длина контекста — 8194 токена. README описывает плотный, разреженный и многовекторный поиск, включая ColBERT, а метаданные указывают задачу feature-extraction.

Квантование affine с группами по 64 веса уменьшает размер до 457 МБ — примерно на 58% относительно FP16 версии, сохраняя компромисс между качеством и использованием памяти. Модель подходит для поиска и сопоставления текстов, включая многоязычные сценарии. Поддерживаются английский, китайский, немецкий, испанский, французский, итальянский, японский, корейский, португальский и русский языки. Лицензия — MIT.

Сценарии применения

  • семантический поиск по многоязычным документам
  • создание эмбеддингов для поиска по базе знаний
  • гибридный поиск по текстам
  • многовекторное ранжирование документов в стиле ColBERT

Ограничения

Это неофициальная конверсия; README не приводит оценок качества именно этой 6-битной версии. Для запуска предназначена среда Apple Silicon с MLX.

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

BGE-M3 MLX (6-bit Quantized)

This is the BAAI/bge-m3 model converted to MLX format with 6-bit quantization for Apple Silicon.

Model Description

BGE-M3 is a versatile embedding model capable of:

  • Dense retrieval
  • Sparse retrieval
  • Multi-vector (ColBERT) retrieval

This 6-bit quantized version offers a good balance between size and quality.

Model Details

PropertyValue
ArchitectureXLM-RoBERTa
Precision6-bit (affine quantization)
Embedding Dimension1024
Max Sequence Length8192
Model Size~457 MB
Quantization Group Size64
Languages100+ languages

Size Comparison

VersionSizeCompression
FP161.1 GB-
8-bit592 MB46%
6-bit457 MB58%
4-bit321 MB71%

Usage

With MLX

from mlx_embeddings.utils import load_model, load_tokenizer
import mlx.core as mx

model_path = "mlx-community/bge-m3-mlx-6bit"

# Load model and tokenizer
model = load_model(model_path)
tokenizer = load_tokenizer(model_path)

# Generate embeddings
text = "Hello, world!"
tokens = tokenizer.encode(text)
input_ids = mx.array([tokens])
output = model(input_ids)
embedding = output.last_hidden_state.mean(axis=1)  # Mean pooling

print(f"Embedding shape: {embedding.shape}")  # (1, 1024)

With oMLX

curl http://127.0.0.1:8000/v1/embeddings \
  -H "Content-Type: application/json" \
  -d '{"model": "bge-m3-mlx-6bit", "input": "Your text here"}'

Quantization Details

  • Method: Affine quantization
  • Bits per weight: 6
  • Group size: 64
  • Source: Converted from MLX FP16 version

Recommended Use Cases

  • Balanced performance and memory usage
  • Production deployments with moderate memory constraints
  • Applications requiring better quality than 4-bit

License

MIT license (inherited from BAAI/bge-m3)

Citation

@article{bge_m3,
  title={BGE M3-Embedding: Accurate, Efficient and Versatile Text Embedding},
  author={Chen, Jianlv and Xiao, Shitao and Zhang, Peitian and Luo, Kun and Zhang, Zheng},
  journal={arXiv preprint arXiv:2402.03216},
  year={2024}
}

Disclaimer

This is an unofficial MLX conversion of the BAAI/bge-m3 model. For the original model, see BAAI/bge-m3.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
XLMRobertaModel
Ревизия весов
317a674

0 моделей