Сбер решил проверить, насколько далеко можно продвинуть поиск по смыслу, если дать разработчикам три модели. Компания открыла доступ к новой линейке GigaEmbeddings — решениям на 480M, 3B и 10B-A1.8B параметров.
Эти модели превращают текст в числовые векторы, чтобы системы могли сравнивать смысл, а не только слова. GigaEmbeddings подходят для семантического поиска, RAG, классификации и кластеризации. Архитектуру изменили для работы с открытыми инструментами.
Результат заметен уже на уровне скорости. В vLLM модель 3B работает в 1,6 раза быстрее предыдущей версии, а 10B-A1.8B — в 2 раза. Поддерживаются vLLM и SGLang.
Объём обучающих данных вырос в несколько раз, в том числе за счёт Nemotron, F2LLM и KALM. Для языкового баланса применяли мержинг через SLERP, а 480M дополнительно обучали дистилляцией от более сильных моделей.
Главное — цифры. 10B-A1.8B набрала 74,99 в ruMTEB и заняла первое место. 480M стала лучшей на русском среди моделей до 500 млн параметров, а результат 3B на задачах с кодом вырос с 62,37 до 76,93 — на 14,5 пункта. В engMTEB она заняла второе место среди моделей своего размера или меньше.
По данным Сбера, 10B-A1.8B на vLLM работает в 1,5 раза быстрее Qwen3 Embedding 4B. Все три модели доступны под лицензией MIT на GitVerse и Hugging Face.
В итоге Сбер предлагает линейку под разные нагрузки — от компактного поиска до мощных систем. Для бизнеса это выбор между качеством, скоростью и стоимостью инференса, а открытый доступ может ускорить запуск ИИ-сервисов.
