harrier-oss-v1-27b

harrier-oss-v1-27b

把多种语言的文本转成嵌入向量，用于搜索、聚类、相似度、分类和重排序。适合做语义搜索或检索、并且能部署 27B 模型的开发者。

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-v1-27b 是微软多语言文本嵌入系列中最大的模型。它把一句话或一段文字转成稠密向量，采用仅解码器结构，使用最后一个 token 池化和 L2 归一化。你比较这些向量，就能找到含义相近的文本。它用对比学习在大量多语言数据上训练而成。

适合谁：如果你要构建跨多种语言的搜索、推荐或文本分组功能，并且有能运行 27B 模型的硬件，它很适合开发者和数据团队。

行业 | 谁在用 | 怎么用 | 例子
软件 | 搜索工程师 | 为查询和段落生成向量，再按得分给段落排序 | 对帮助文章做语义搜索
数据科学 | 分析师 | 把文本聚类，或衡量两段文字含义有多接近 | 按主题给调查回答分组
本地化 | 语言团队 | 在不同语言之间挖掘匹配的句子对 | 找出互为译文的句子对
客服 | 平台团队 | 检索相关段落并重排序 | 把问题匹配到已存的答案

如果你需要能写回复的模型，可以跳过它，因为它只输出向量。如果内存紧张，也可以跳过 27B 这个尺寸，因为这个系列还有 270m 和 0.6b 模型。

用在哪里：

• 使用 sentence-transformers 库的 Python
• 使用 transformers 库的 Python
• Windows、macOS 和 Linux，机器要能容纳约 54 GB 的 BF16 权重

用途 | 谁用 | 得到什么
检索 | 搜索工程师 | 查询和段落之间的相似度得分
聚类 | 数据团队 | 可以按含义分组的向量
双语文本挖掘 | 语言团队 | 能把不同语言中匹配句子对齐的向量
分类 | 机器学习工程师 | 可以输入分类器的向量

如何设置：

• Python，并安装 sentence-transformers 或 transformers
• 约 54 GB 磁盘空间存放 BF16 权重，估计 4-bit 约 13.5 GB
• 足够运行 27B 模型的 GPU 或系统内存

1. 安装 Hugging Face 工具。
2. 下载模型文件，或者让库在第一次使用时自己去取。
3. 用 sentence-transformers 加载模型并编码你的文本。

pip install -U huggingface_hub
hf download microsoft/harrier-oss-v1-27b

如何使用：你给查询加上提示词编码，文档则不加，然后对两组向量做点积。模型卡的例子把结果乘以 100 来打印得分。仓库里的配置文件带有用于网页搜索、相似度和双语文本任务的现成提示词。

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("microsoft/harrier-oss-v1-27b", model_kwargs={"dtype": "auto"})

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())

如果要用你自己的指令，直接传入即可。

model.encode(queries, prompt="Instruct: Retrieve semantically similar text\nQuery: ")

工具 | 作用
SentenceTransformer | 加载模型，并自动设置 dtype
encode | 把一组文本变成嵌入向量
prompt_name | 选择预设的指令，比如 web_search_query
last_token_pool | 使用原生 transformers 时，对最后一个 token 的状态做池化

示例：你编码两个问题 "how much protein should a female eat" 和 "summit define"，再加上回答它们的两段文字。脚本会打印一个得分表，每个问题一行。每一行里，匹配的段落应该得分最高。

新手与专家：嵌入就是把文本变成一串数字，让含义相近的文本靠得很近。第一次尝试时，可以运行模型卡里的两个问题的脚本，看看每个问题对应哪段文字得分更高。

如果你熟悉这个领域，要知道这是一个仅解码器的嵌入模型，使用最后一个 token 池化和 L2 归一化。用原生 transformers 时，每个查询都需要一句任务指令，而文档不需要。270m 和 0.6b 模型还用了来自更大嵌入模型的蒸馏，27b 模型的向量有 5,376 维。

为查询写一句任务指令
编码查询和文档
池化最后一个 token 并归一化
用点积比较向量
按得分给段落排序

Title: 各模型的多语言 MTEB v2 得分
harrier-oss-v1-270m: 66.5 分
harrier-oss-v1-0.6b: 69.0 分
harrier-oss-v1-27b: 74.3 分

注意事项：

• 上下文：三个尺寸都支持最多 32,768 个 token，27b 模型的向量有 5,376 维。
• 体积：BF16 下约 54 GB，所以需要像样的硬件。
• 语言：记录里列了很多种，从 af、am、ar、as、az、be、bg 和 bn 开始。
• License: MIT。
• Cost to run: 未提及。
• Data it reaches: 它会从 Hugging Face 下载模型文件，然后处理你提供的文本。
• Not for: 写文本，因为它只输出嵌入向量。

Hugging Face 上的数据（2026年11月13日）

• 任务：feature extraction
• 框架：sentence-transformers
• 参数量：27B
• Weights: about 54 GB in BF16; about 13.5 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：7,115
• 点赞：173
• 许可证：mit
• 语言：af, am, ar, as, az, be, bg, bn
• Quantized versions: 4
• Fine-tunes: 3
• 标签：sentence-transformers, safetensors, gemma3_text, feature-extraction, mteb, transformers, multilingual, text-embeddings-inference

链接

• 模型：https://huggingface.co/microsoft/harrier-oss-v1-27b
• 文件：https://huggingface.co/microsoft/harrier-oss-v1-27b/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-v1-27b

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。