# 高效检索

这是一个基于ONNX的量化模型，是Qwen/Qwen3-Embedding-0.6B的uint8量化版本，在保持检索性能的同时减少了模型大小。

本模型是ntproctor/mass-academy-faq-embedder的量化版本，提供多种量化类型选择，适用于高效的特征提取和句子相似度计算。

这是经过GPTQ量化的Qwen3-Embedding-4B模型，显存使用量显著降低，性能损失较小。

基于ModernBERT预训练编码器的文本嵌入模型，支持8192 tokens长文本处理，在MTEB、LoCO和COIR等评估任务中表现优异。

Snowflake Arctic Embed L v2.0的GGUF量化版本，是一种高效的多语言文本嵌入模型，适用于高质量检索任务。

IBM Granite多语言嵌入模型，支持12种语言的文本嵌入任务，适用于信息检索和多语言应用场景。

这是一个从Chuxin-Embedding转换而来的GGUF格式模型，主要用于中文文本检索任务。

bge_micro 是一个基于 sentence-transformers 的句子嵌入模型，专注于句子相似度计算和特征提取任务。

GTE-Base 是一个通用的文本嵌入模型，能够将文本转换为高维向量表示，适用于文本分类和相似性搜索任务。

Sinequa开发的多语言向量化器，能够为输入的段落或查询生成嵌入向量，用于相似度计算和信息检索。