harrier-oss-v1-0.6b

harrier-oss-v1-0.6b

把多种语言的文字变成数字向量，用于搜索、聚类和相似度匹配，是微软的 0.6B 嵌入模型，适合构建检索和排序工具的开发者。

由 microsoft 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：harrier-oss-v1-0.6b 是微软 harrier-oss-v1 多语言文本嵌入模型家族里的中等规模成员。它把一段文字转换成 1,024 个数字组成的向量，意思相近的文字向量也靠得近。它有 596M 参数，最多接受 32,768 个 token。

适合谁：如果你的团队需要跨多种语言做文本搜索、匹配或分组，又不想调用外部服务，它适合你，开发者和数据团队尤其合适。

Title: Who uses this model
行业 | 谁在用 | 怎么用 | 例子
软件 | 搜索和应用开发者 | 为搜索查询给段落排序 | 找出最能回答问题的段落
数据与分析 | 数据团队 | 把相似的文档归成组 | 按主题对客服工单聚类
本地化 | 语言工程师 | 把文字和它的译文配对 | 跨语言挖掘句子对
AI 产品 | 检索开发者 | 为问答工具的检索环节提供向量 | 把文档嵌入一次，再拿查询去比较

如果你需要能写文字的模型，可以跳过它，因为它只生成向量。

用在哪里：

• 使用 sentence-transformers 库的 Python 脚本
• 使用 transformers 库的 Python 脚本
• 装有 Python 的 Windows、macOS 或 Linux

Title: Jobs it does
用途 | 适合谁 | 得到什么
检索 | 搜索开发者 | 显示哪些段落与查询匹配的分数
聚类 | 分析人员 | 可以按含义分组的向量
语义相似度 | 开发者 | 两段文字之间的接近程度分数
分类和重排序 | 机器学习工程师 | 可输入分类器或重排序器的向量

如何设置：你需要 Python 和一个能加载这个模型的库。

• 带 pip 的 Python
• sentence-transformers 库，或者 transformers
• 约 1.2 GB 的磁盘空间放 BF16 权重

1. 安装 sentence-transformers。
2. 也可以先用两条下载命令保存文件。
3. 运行示例脚本。它会加载模型，并对两个查询和两段文字编码。

pip install -U huggingface_hub
hf download microsoft/harrier-oss-v1-0.6b

如何使用：编码查询时指定一个提示名称，编码文档时不用，然后把两组向量相乘得到分数。模型的配置文件为各种查询类型定义了现成的提示名称，其中包括 web_search_query。你也可以直接把自己的指令作为提示传进去。

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("microsoft/harrier-oss-v1-0.6b", model_kwargs={"dtype": "auto"})

queries = [
    "how much protein should a female eat",
    "summit define",
]
documents = [
    "As a general guideline, the CDC's average requirement of protein for women ages 19 to 70 is 46 grams per day. But, as you can see from this chart, you'll need to increase that if you're expecting or training for a marathon. Check out the chart below to see how much protein you should be eating each day.",
    "Definition of summit for English Language Learners. : 1  the highest point of a mountain : the top of a mountain. : 2  the highest level. : 3  a meeting or series of meetings between the leaders of two or more governments."
]

query_embeddings = model.encode(queries, prompt_name="web_search_query")
document_embeddings = model.encode(documents)

scores = (query_embeddings @ document_embeddings.T) * 100
print(scores.tolist())

示例：你对一个营养问题和两段文字编码，一段讲女性每天的蛋白质，另一段解释山顶这个词的含义。打印出的分数里，蛋白质那段更高，它正是回答问题的那一段。

新手与专家：你可以把嵌入看作文字含义的指纹。意思相近的两段文字，指纹也靠得很近。第一次小测试就是用示例脚本，换成你自己的问题和两段短文字。

这个模型是仅解码器结构。它对最后一个 token 做池化，并用 L2 对向量归一化。训练用的是在大规模多语言混合数据上的对比学习目标，270m 和 0.6b 两个规格还从更大的嵌入模型做了蒸馏。查询需要一句话的任务指令，文档则不需要。

输入文字
仅解码器模型读取
对最后一个 token 池化
输出 L2 归一化向量

注意事项：Hugging Face 列出了许多语言。模型卡在 Multilingual MTEB v2 上给整个家族排名，0.6b 规格介于 270m 和 27b 之间。其他人发布了 28 个量化版本和 15 个微调版本。

Title: Multilingual MTEB v2 score by size
270m: 66.5 分
0.6b: 69.0 分
27b: 74.3 分

• License: MIT。
• Cost to run: 未提及。
• Data it reaches: 文件来自 Hugging Face，你编码的文字留在你自己的电脑上。
• Not for: 写作或聊天，因为它只把文字变成向量。

Hugging Face 上的数据（2026年11月13日）

• 任务：feature extraction
• 框架：sentence-transformers
• 参数量：596M
• Weights: about 1.2 GB in BF16; about 298 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：218,439
• 点赞：338
• 许可证：mit
• 语言：af, am, ar, as, az, be, bg, bn
• Quantized versions: 28
• Fine-tunes: 17
• 标签：sentence-transformers, safetensors, qwen3, feature-extraction, mteb, transformers, multilingual, text-embeddings-inference

链接

• 模型：https://huggingface.co/microsoft/harrier-oss-v1-0.6b
• 文件：https://huggingface.co/microsoft/harrier-oss-v1-0.6b/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download microsoft/harrier-oss-v1-0.6b

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。