К содержимому
Другое

m2v-mrl-multilingual-european-256

сверхлёгкие эмбеддинги для европейских языков

2 мин чтенияобновлено

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]
Обсудить Telegram 0 29

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.1 GB · готовые файлы0.6 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    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.

    # 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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к m2v-mrl-multilingual-european-256
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

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.

Семья модели

Новые посты про версии static-similarity-mrl-multilingual-v1 — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 5Все на Hugging Face

О модели

javierlgroba/m2v-mrl-multilingual-european-256
Автор
javierlgroba
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

290

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии