模型找得到，
下载更顺手。

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。

Z-Image-Turbo 写实光照 LoRA（Flow-DPO） 这是一个专门为 Alibaba-Tongyi/Z-Image-Turbo 设计的 LoRA 适配器，通过 Flow-DPO（流匹配直接偏好优化）进行微调，用于显著提升写实光照、电影级阴影和整体图像质量。 该 LoRA 能够修复超快速蒸馏模型中常见的“扁平”、“褪色”或“塑料感”问题，仅需 8 步推理即可生成令人惊叹的、物理准确的光照效果。

Qwen3Guard-Stream-8B 是基于 Qwen3 构建的安全审核模型，专门针对流式场景进行优化。该模型在增量文本生成过程中进行 token 级别的实时安全监控，可对生成内容进行即时分类。 实时检测：在增量 token 生成过程中进行高效、及时的安全审核，适用于流式对话场景。 三级严重程度分类：将输出内容分类为安全（Safe）、有争议（Controversial）和不安全（Unsafe）三个级别，支持根据不同部署场景进行调整。

Qwen3Guard-Stream是基于Qwen3构建的安全审核模型系列，专门针对流式场景进行优化，在增量token生成过程中实现实时安全监控。该模型将安全分类任务转化为指令遵循任务，通过token级别的分类头在文本生成时逐个检测内容安全性。 实时检测：在增量token生成过程中进行高效及时的审核，适用于流式对话场景。 三级严重性分类：将输出内容分类为安全（Safe）、争议性（Controversial）和不安全（Unsafe）三个级别，支持根据不同部署场景进行调整。

ms-marco-MiniLM-L12-v2 由 cross-encoder 发布，仓库任务标记为检索结果重排。对查询和候选文本进行相关性评分，用于改善检索结果排序。 来源声明的基础模型：microsoft/MiniLM-L12-H384-uncased。 本条按量化版独立收录。 基础模型：microsoft/MiniLM-L12-H384-uncased 请使用与此版本匹配的推理框架，按原项目准备模型组件和依赖。显存、内存与磁盘要求取决于具体格式、精度及输入长度，未核实的数

mmarco-mMiniLMv2-L12-H384-v1 由 cross-encoder 发布，仓库任务标记为检索结果重排。对查询和候选文本进行相关性评分，用于改善检索结果排序。 来源声明的基础模型：nreimers/mMiniLMv2-L12-H384-distilled-from-XLMR-Large。 本条按量化版独立收录。 基础模型：nreimers/mMiniLMv2-L12-H384-distilled-from-XLMR-Large

gte-reranker-modernbert-base 由 Alibaba-NLP 发布，仓库任务标记为检索结果重排。对查询和候选文本进行相关性评分，用于改善检索结果排序。 来源声明的基础模型：answerdotai/ModernBERT-base。 本条按微调衍生版独立收录。 基础模型：answerdotai/ModernBERT-base 请使用与此版本匹配的推理框架，按原项目准备模型组件和依赖。显存、内存与磁盘要求取决于具体格式、精度及输入长度，未核实的数值不作承诺。

ms-marco-MiniLM-L4-v2 由 cross-encoder 发布，仓库任务标记为检索结果重排。对查询和候选文本进行相关性评分，用于改善检索结果排序。 来源声明的基础模型：cross-encoder/ms-marco-MiniLM-L12-v2。 本条按量化版独立收录。 基础模型：cross-encoder/ms-marco-MiniLM-L12-v2 请使用与此版本匹配的推理框架，按原项目准备模型组件和依赖。显存、内存与磁盘要求取决于具体格式、精度及输入长度，

ms-marco-MiniLM-L6-v2 由 cross-encoder 发布，仓库任务标记为检索结果重排。对查询和候选文本进行相关性评分，用于改善检索结果排序。 来源声明的基础模型：cross-encoder/ms-marco-MiniLM-L12-v2。 本条按量化版独立收录。 基础模型：cross-encoder/ms-marco-MiniLM-L12-v2 请使用与此版本匹配的推理框架，按原项目准备模型组件和依赖。显存、内存与磁盘要求取决于具体格式、精度及输入长度，

all-MiniLM-L6-v2 由 Xenova 发布，仓库任务标记为向量表示与检索。把输入编码为向量表示，可用于相似度计算和检索，不等同于聊天模型。 来源声明的基础模型：sentence-transformers/all-MiniLM-L6-v2。 本条按量化版独立收录。 基础模型：sentence-transformers/all-MiniLM-L6-v2 请使用与此版本匹配的推理框架，按原项目准备模型组件和依赖。显存、内存与磁盘要求取决于具体格式、精度及输入长度，未核

MegaPairs 是一种数据合成方法，利用开放域图像创建异构 KNN 三元组，用于通用多模态检索。该数据集包含超过 2600 万个三元组，并训练了一系列多模态检索模型 BGE-VL，包括 BGE-VL-CLIP（base 和 large 版本）以及 BGE-VL-MLLM。 BGE-VL 在四个流行的零样本组合图像检索基准测试和大规模多模态嵌入基准测试（MMEB）上取得了最先进的性能。实验表明 MegaPairs 具有高效性、可扩展性和泛化能力。BGE-VL-base 模型

MegaPairs 是一种新型数据合成方法，利用开放域图像创建异构 KNN 三元组，用于通用多模态检索。该数据集包含超过 2600 万个三元组，用于训练 BGE-VL 系列多模态检索模型。 BGE-VL 模型在零样本组合图像检索任务中表现优异。在 CIRCO 基准测试中，BGE-VL-base 仅用 1.49 亿参数就超越了所有先前模型。此外，BGE-VL-MLLM 在 MMEB 基准上实现了最先进的零样本性能，并在 CIRCO 基准上比先前最优模型提升了 8.1%。经过微调

MegaPairs 是一种数据合成方法，利用开放域图像创建异构 KNN 三元组，用于通用多模态检索。该数据集包含超过 2600 万个三元组，用于训练 BGE-VL 系列多模态检索模型，包括 BGE-VL-CLIP（base 和 large 版本）和 BGE-VL-MLLM。 BGE-VL 模型在零样本组合图像检索任务中表现优异，在 CIRCO 基准测试中，BGE-VL-base 仅用 1.49 亿参数就超越了参数多其 50 倍的模型。BGE-VL-MLLM 在 CIRCO 基

MegaPairs 是一种数据合成方法，利用开放域图像创建异构 KNN 三元组，用于通用多模态检索任务。MegaPairs 数据集包含超过 2600 万个训练样本，用于组合图像检索和通用多模态检索任务。基于该数据集，研究团队训练了 BGE-VL 系列多模态检索模型，包括 BGE-VL-CLIP（base 和 large 版本）以及 BGE-VL-MLLM。 BGE-VL 模型在零样本组合图像检索任务中表现优异，在 CIRCO 基准测试上，BGE-VL-base 仅用 1.49