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）。

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

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