Find the right model.
Download more easily.

GTE中文通用文本表示模型(small) 文本表示是自然语言处理(NLP)领域的核心问题, 其在很多NLP、信息检索的下游任务中发挥着非常重要的作用。近几年, 随着深度学习的发展，尤其是预训练语言模型的出现极大的推动了文本表示技术的效果, 基于预训练语言模型的文本表示模型在学术研究数据、工业实际应用中都明显优于传统的基于统计模型或者浅层神经网络的文本表示模型。这里, 我们主要关注基于预训练语言模型的文本表示。 文本表示示例, 输入一个句子, 输入一个固定维度的连续向量:

GTE中文通用文本表示模型(large) 文本表示是自然语言处理(NLP)领域的核心问题, 其在很多NLP、信息检索的下游任务中发挥着非常重要的作用。近几年, 随着深度学习的发展，尤其是预训练语言模型的出现极大的推动了文本表示技术的效果, 基于预训练语言模型的文本表示模型在学术研究数据、工业实际应用中都明显优于传统的基于统计模型或者浅层神经网络的文本表示模型。这里, 我们主要关注基于预训练语言模型的文本表示。 文本表示示例, 输入一个句子, 输入一个固定维度的连续向量:

Language: [EN / ZH] The SegVol is a universal and interactive model for volumetric medical image segmentation. SegVol accepts point, box, and text prompts while output volumetric segmentation. By training on 90k unlabeled Computed Tomograph

EmbeddingGemma 2 是由 Google DeepMind 构建的开源多模态嵌入模型，将文本（含代码）、图像、视频和音频输入及其组合映射到统一的 768 维向量空间。模型总计 740M 参数，包含 270M 参数文本模型以及可模块化加载的视觉（170M）和音频（300M）编码器。 原生多模态：在单一共享的 768 维嵌入空间中统一文本、图像、视频和音频四种模态。 多语言和代码支持：理解 100+ 语言，代码任务比前代提升约 14%。

Emu3是一套先进的多模态模型，仅通过下一代token预测进行训练。通过将图像、文本和视频 tokenize 到离散空间中，我们在混合多模态序列上从头训练单个Transformer模型。 图像生成：Emu3能够根据文本输入生成高质量图像，仅通过预测下一个视觉token即可实现。模型自然支持灵活的分辨率和风格。 视觉-语言理解：Emu3展现出强大的视觉-语言理解能力，能够感知物理世界并提供连贯的文本回复。值得注意的是，这一能力不依赖CLIP或预训练LLM。视频生成：与Sora等

It supports English(En), Chinese(Zh), Spanish(Es), French(Fr), Russian(Ru), Japanese(Ja), Korean(Ko), Arabic(Ar) and Italian(It) languages. 名称 Name 任务 Task 语言 Language(s) 模型 Model Github AltCLIP-m9 Text-Image Multilingual CLIP FlagAI

文本表示是自然语言处理(NLP)领域的核心问题, 其在很多NLP、信息检索的下游任务中发挥着非常重要的作用。近几年, 随着深度学习的发展，尤其是预训练语言模型的出现极大的推动了文本表示技术的效果, 基于预训练语言模型的文本表示模型在学术研究数据、工业实际应用中都明显优于传统的基于统计模型或者浅层神经网络的文本表示模型。这里, 我们主要关注基于预训练语言模型的文本表示。 文本表示示例, 输入一个句子, 输入一个固定维度的连续向量:

LLARA是一个基于嵌入的序列到序列模型，包含两种架构：EBAE（基于嵌入的自编码）和EBAR（基于嵌入的自回归）。 训练和评估使用了MSMARCO、BEIR等开源数据集。 感谢开源数据集的作者，包括MSMARCO、BEIR等。感谢Pyserini等开源库。

LLARA 模型用途 大型语言模型强化对齐框架 主要能力 本项目提出两种方法： EBAE：基于嵌入的自编码 EBAR：基于嵌入的自回归 输入输出 （未提供详细信息） 运行要求 （未提供详细信息） 基本用法 （未提供详细信息） 限制 （未提供详细信息） 许可证 （未提供详细信息）

LLARA是一个基于嵌入的序列到序列生成框架，包含两种核心方法：EBAE（基于嵌入的自编码）和EBAR（基于嵌入的自回归）。

EBAE：Embedding-Based Auto-Encoding（基于嵌入的自编码） EBAR：Embedding-Based Auto-Regression（基于嵌入的自回归）

Qwen3-Embedding-4B-GGUF 是阿里云通义千问系列的自研文本嵌入模型，专门用于文本嵌入和排序任务。该模型适用于文本检索、代码检索、文本分类、文本聚类、双语文本挖掘等多种下游应用场景。 该模型支持超过100种语言，包括多种编程语言，具备出色的多语言和跨语言检索能力。模型支持32k上下文长度，嵌入维度最高可达2560维，并允许用户自定义输出维度（范围32至2560）。模型支持MRL（多维输出）功能，可自定义最终嵌入的维度。同时支持指令感知功能，用户可根据不同任务

Qwen3-Embedding-0.6B-GGUF 是阿里云 Qwen3 系列的文本嵌入模型，采用 GGUF 格式优化推理效率。该模型专为文本嵌入和排序任务设计，继承 Qwen3 基座模型的多语言能力、长文本理解和推理能力。 文本嵌入：将文本转换为稠密向量，用于文本检索、代码检索、文本分类、文本聚类、双语挖掘等任务。 多语言支持：支持超过100种语言，包括多种编程语言，具备强大的多语言、跨语言和代码检索能力。

Qwen3-Embedding-8B-GGUF Qwen3-Embedding-8B-GGUF是文本嵌入模型，属于Qwen3嵌入系列。该系列模型专门用于文本嵌入和排序任务，适用于文本检索、代码检索、文本分类、文本聚类、双语文本挖掘等应用场景。 该模型继承Qwen3基础模型的多语言能力、长文本理解和推理能力。支持超过100种语言，包括多种编程语言，提供强大的多语言、跨语言和代码检索能力。在MTEB多语言排行榜上，该8B参数模型排名第一（截至2025年6月5日，分数70.58）。

Qwen3-Embedding-4B是阿里云Qwen3系列文本嵌入模型，专门用于文本嵌入和排序任务。该模型可应用于文本检索、代码检索、文本分类、文本聚类以及双语挖掘等多种场景。 该模型具备以下核心能力：支持超过100种语言，包括多种编程语言；提供强大的多语言、跨语言和代码检索能力；支持自定义指令（Instruction Aware），可根据不同任务、语言或场景调整输入指令；支持多维输出（MRL），允许用户自定义嵌入向量维度。评估数据显示，该模型在MTEB多语言基准测试中得分为

Qwen3-Embedding-8B Qwen3-Embedding-8B是阿里云Qwen团队开发的文本嵌入模型，专门用于文本嵌入和排序任务。该模型基于Qwen3系列密集基础模型构建，可应用于文本检索、代码检索、文本分类、文本聚类、双语文本挖掘等多种场景。 该模型在MTEB多语言排行榜上排名第一（截至2025年6月5日，分数70.58）。支持超过100种语言，包括多种编程语言，具备强大的多语言、跨语言和代码检索能力。模型继承了大语言模型的卓越多语言能力、长文本理解和推理能力。

文本表示是自然语言处理(NLP)领域的核心问题, 其在很多NLP、信息检索的下游任务中发挥着非常重要的作用。近几年, 随着深度学习的发展，尤其是预训练语言模型的出现极大的推动了文本表示技术的效果, 基于预训练语言模型的文本表示模型在学术研究数据、工业实际应用中都明显优于传统的基于统计模型或者浅层神经网络的文本表示模型。这里, 我们主要关注基于预训练语言模型的文本表示。 文本表示示例, 输入一个句子, 输入一个固定维度的连续向量:

文本表示是自然语言处理(NLP)领域的核心问题, 其在很多NLP、信息检索的下游任务中发挥着非常重要的作用。近几年, 随着深度学习的发展，尤其是预训练语言模型的出现极大的推动了文本表示技术的效果, 基于预训练语言模型的文本表示模型在学术研究数据、工业实际应用中都明显优于传统的基于统计模型或者浅层神经网络的文本表示模型。这里, 我们主要关注基于预训练语言模型的文本表示。 文本表示示例, 输入一个句子, 输入一个固定维度的连续向量: