Skip to content
Other

m2v-mrl-multilingual-european-256

сверхлёгкие эмбеддинги для европейских языков

2 min readupdated

Модель преобразует слова и фразы в компактные числовые векторы (эмбеддинги) для оценки их семантической близости. Это облегчённая версия модели sentence-transformers/static-similarity-mrl-multilingual-v1 от автора javierlgroba, упакованная в формат model2vec. Из исходной модели оставили только первые 256 измерений (благодаря обучению с функцией потерь Matryoshka они сохраняют работоспособность без остальных) и очистили словарь от неевропейских письменностей, сохранив латиницу, кириллицу, греческий, армянский и грузинский алфавиты. В результате вес модели сократился с ~434 МБ до ~76 МБ без потери точности токенизации для поддерживаемых языков. Пригодится разработчикам для быстрого поиска, кластеризации текста и RAG-систем (поиска контекста для языковых моделей) в условиях жёстких ограничений по памяти.

Ключевые особенности

  • Компактный размер: веса занимают всего ~76 МБ (против ~434 МБ у оригинала) при размерности векторов 256.
  • Оптимизированный словарь: объём сокращён со 105 879 до 73 845 токенов за счёт удаления иероглифов, арабской вязи, деванагари и других азиатских и ближневосточных письменностей.
  • Сохранение совместимости: текст на кириллице, латинице и других европейских письменностях токенизируется так же, как в базовой модели, выдавая идентичные усечённые векторы.
  • Формат model2vec: статические эмбеддинги работают без тяжёлых трансформерных вычислений, позволяя получать векторы простым усреднением строк токенов.

Что можно сделать

  • Локальный и edge-поиск: встроить в мобильные приложения, браузерные расширения или микросервисы, где нет GPU и важен минимальный расход оперативной памяти.
  • Мультиязычное сопоставление терминов: использовать для быстрого поиска переводов и синонимов между европейскими языками (например, сопоставления названий товаров на немецком, английском, французском и русском).
  • Первичная фильтрация в RAG: применять как сверхбыстрый ретривер для предварительного отбора документов перед передачей в более тяжёлые нейросети.

Пример

from model2vec import StaticModel

model = StaticModel.from_pretrained("javierlgroba/m2v-mrl-multilingual-european-256")
embeddings = model.encode(["Duschgel", "shower gel", "gel douche"])
ПодробнееБазовая модель: sentence-transformers/static-similarity-mrl-multilingual-v1 (лицензия Apache-2.0)
Архитектура и формат: статические эмбеддинги model2vec, один тензор float32 размером 73 845 × 256 (~76 МБ)
Токенизатор: BERT WordPiece с приведением к нижнему регистру и удалением диакритических знаков
Ограничения: слова на удалённых письменностях (CJK, арабский, хинди, иврит и др.) заменяются на токен [UNK]
Discuss Telegram 0 29

Will it run?

Runs in F32

Fits without quantisation.

  • F32weights 0.1 GB · ready files0.6 GB
  • BF16weights 0.0 GB0.5 GB
  • FP8 / INT8recommendedweights 0.0 GB0.5 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · F32 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # javierlgroba/m2v-mrl-multilingual-european-256
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download javierlgroba/m2v-mrl-multilingual-european-256 --local-dir ~/models/m2v-mrl-multilingual-european-256
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of static-similarity-mrl-multilingual-v1 (quants, finetunes, LoRAs) will show up under the bell.

Fine-tunes 5All on Hugging Face

About the model

javierlgroba/m2v-mrl-multilingual-european-256
Author
javierlgroba
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

290

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments