К содержимому
Языковые модели

BreadBowl-Embed v1.3

поиск и реранкинг по одним слотам

2 мин чтенияобновлено

BreadBowl-Embed v1.3 — компактная исследовательская модель на 0,76B параметров от dotproductx, которая объединяет первичный поиск документов (retrieval) и их переранжирование (reranking) в едином представлении. В основе лежит база Qwen3.5-0.8B-Base, дообученная на разметке от более крупного кросс-энкодера. В отличие от классических эмбеддингов (один вектор на текст) и ColBERT (вектор на каждый токен), модель сжимает любой запрос или фрагмент текста в фиксированные 16 слотов. При поиске она находит кандидатов по routing-векторам и сразу переранжирует их по закэшированным value-векторам, не прогоняя текст заново через нейросеть.

Ключевые особенности

  • Фиксированный размер: каждый документ занимает ровно 16 routing- и 16 value-векторов (размерностью 256) независимо от длины текста.
  • Двухэтапный скоринг без второго прогона: итоговая оценка считается как 0.75 * R + 0.25 * V по уже сохранённым в индексе слотам.
  • Прозрачность работы: в v1.3 добавлены инструменты интерпретации, показывающие, какие токены документа попали в слоты и повлияли на итоговый ранг.
  • Гибкое хранение: встроенный поисковый индекс поддерживает квантование слотов в float32, float16 или int8 (до 8 256 байт на документ).

Что можно сделать

  • Ускорить RAG-пайплайн: заменить связку из отдельного би-энкодера и тяжёлого кросс-энкодера одной моделью с предрасчитанным индексом на CPU или FAISS.
  • Отладить качество поиска: использовать методы explain() и return_attention=True, чтобы увидеть, на какие именно слова в чанке среагировал поисковый запрос.
  • Сэкономить память на больших корпусах: кодировать базу знаний один раз в int8-индекс и загружать его с диска через mmap=True.

Пример

from breadbowl_embed import BreadBowl

model = BreadBowl.from_pretrained("dotproductx/breadbowl-embed-v1.3")
documents = model.encode_documents(["Octopuses have three hearts.", "The Pacific is Earth's largest ocean."])

for hit in model.rerank("How many hearts does an octopus have?", documents):
    print(f"{hit.score:.4f}", hit.document_index)
ПодробнееЯзык: английский (en), лимиты длины — до 128 токенов для запроса и до 384 токенов для документа.
Обучение: продолжение v1.2-preview, ещё 1 024 шага с размороженным текстовым бэкбоном от кросс-энкодера.
Железо и требования: нужен Python 3.12+ и установка пакета из GitHub; по умолчанию работает на CPU, также протестирован на Apple Silicon (MPS).
Ограничения: исследовательский релиз; сравнение в едином протоколе с single-vector и ColBERT-моделями в карточке ещё не проводилось.
Обсудить Telegram 0 35

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 2.8 GB · готовые файлы3.7 GB
  • BF16веса 1.4 GB2.1 GB
  • FP8 / INT8рекомендуемвеса 0.7 GB1.4 GB
  • 4-bitвеса 0.4 GB1.0 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # dotproductx/breadbowl-embed-v1.3 — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve dotproductx/breadbowl-embed-v1.3 --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к breadbowl-embed-v1.3
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Дообучение модели

Qwen/Qwen3.5-0.8B-Base

Новые посты про версии Qwen3.5-0.8B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 9Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

dotproductx/breadbowl-embed-v1.3
Автор
dotproductx
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

350

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

AnankeEmbed-S

AnankeEmbed-S
Языковые модели

tiny-embed-27m

tiny-embed-27m