Hugging Face - Blog · 14.05.2026 ·Мультиязычные эмбеддинги для RAG

Granite Embedding Multilingual R2: новые эмбеддинги для RAG

IBM представила Granite Embedding Multilingual R2 — набор мультиязычных эмбеддингов с контекстом до 32K токенов. Это открытая модель под лицензией Apache 2.0, которая демонстрирует лучшее качество ретриваля среди моделей с менее чем 100 миллионами параметров.

Granite Embedding Multilingual R2 поддерживает более 100 языков и оптимизирована для задач информационного поиска и извлечения информации. Модель была обучена на огромном массиве данных, что позволяет ей эффективно работать с текстами на разных языках, включая редкие и малоизученные.

Для разработчиков ИИ-агентов, особенно тех, кто работает над системами с поддержкой нескольких языков, Granite Embedding Multilingual R2 может стать важным инструментом. Модель позволяет значительно улучшить качество ретриваля в системах RAG (Retrieval-Augmented Generation), что в свою очередь повышает точность и релевантность ответов агентов.

Granite Embedding Multilingual R2 доступна на платформе Hugging Face, что упрощает её интеграцию в существующие проекты. Модель может быть использована как для локального, так и для облачного развёртывания, что делает её универсальным решением для различных сценариев использования.

В перспективе Granite Embedding Multilingual R2 может стать стандартом для мультиязычных эмбеддингов, особенно в контексте разработки ИИ-агентов, где важна точность и эффективность обработки текстов на разных языках.

Источник: Hugging Face - Blog

Похожие материалы

The latest research from Google · RAG и агентные платформы Как Gemini Enterprise Agent Platform улучшает RAG для ИИ-агентов Google представил Agentic RAG — подход к Retrieval-Augmented Generation (RAG) в рамках своей платформы Gemini Enterprise Agent. Этот метод направлен на повышение надёжности и точности ответов ИИ-агентов за счёт улучшенного извлечения и использования контекста из внешних источников. Hugging Face - Blog · Выход новых моделей IBM Granite 4.1: новые модели для локального инференса IBM представила обновлённые модели Granite 4.1, которые демонстрируют значительные улучшения в производительности и эффективности. Эти модели, доступные в различных размерах (7B, 13B, 34B и 115B параметров), оптимизированы для работы на локальных устройствах, что делает их особенно привлекательными для разработчиков ИИ-агентов, стремящихся к автономности и снижению затрат на облачные вычисления. Hugging Face - Blog · Мультимодальные эмбеддинги и ранжирование Новые мультимодальные модели для эмбеддингов и ранжирования Команда Sentence Transformers представила новые мультимодальные модели для создания эмбеддингов и ранжирования. Эти модели способны обрабатывать как текстовые, так и визуальные данные, что делает их полезными для задач, требующих интеграции разных типов информации. Hugging Face - Blog · Мультимодальные эмбеддинги для RAG Обучение мультимодальных моделей эмбеддингов и ранжирования Hugging Face выпустила гайд по обучению и тонкой настройке мультимодальных моделей эмбеддингов и ранжирования на базе Sentence Transformers. Это важно для разработчиков ИИ-агентов, так как мультимодальные эмбеддинги позволяют обрабатывать текстовые и визуальные данные в едином пространстве представлений, что критично для систем RAG (Retrieval-Augmented Generation). arXiv · RAG и аналитическое мышление Как RAG помогает ИИ-агентам решать сложные задачи через аналогии Исследователи из MIT и Google Research предложили новый подход к улучшению способности языковых моделей решать сложные задачи через аналогии. В работе, опубликованной на arXiv, они демонстрируют, как Retrieval-Augmented Generation (RAG) может быть адаптирован для более эффективного решения задач, требующих нестандартного мышления. Google DeepMind News · Выход новых моделей Gemini 3.1 Pro от DeepMind для сложных задач DeepMind представила новую модель Gemini 3.1 Pro, ориентированную на решение сложных задач, где требуется не просто ответ, а глубокий анализ и понимание контекста. Модель демонстрирует улучшенные способности в обработке сложных запросов, что делает её перспективной для применения в различных областях, включая разработку ИИ-агентов. Hugging Face - Blog · Локальный запуск моделей Mellum2: новая 12-миллиардная модель от JetBrains для локального использования JetBrains представила Mellum2 — новую 12-миллиардную модель, основанную на архитектуре Mixture-of-Experts (MoE). Эта модель разработана для эффективного локального использования, что делает её особенно интересной для разработчиков ИИ-агентов, которым важна производительность на локальных устройствах. arXiv · RAG и визуальные агенты Как RAG помогает бороться с галлюцинациями в мультимодальных моделях Исследователи из MIT и других ведущих университетов предложили новый подход к снижению визуальных галлюцинаций в мультимодальных языковых моделях (MLLMs). Эти системы, способные обрабатывать как текстовые, так и визуальные данные, часто демонстрируют уверенность в своих ответах, даже когда визуальные данные слабые или неоднозначные. Это приводит к так называемым "галлюцинациям" — выводам, не соответствующим реальности. Hugging Face - Blog · RAG и реранкинг Новая семья реранкеров Ettin для RAG Hugging Face представила новую семью реранкеров Ettin, специально разработанных для улучшения системы извлечения и генерации ответов (RAG). Эти модели предназначены для повышения качества поиска и ранжирования информации в больших наборах данных, что критически важно для эффективной работы ИИ-агентов. MarkTechPost · Модели и текст-в-СQL Google представил Gemini-SQL2 с точностью 80.04% на BIRD leaderboard Google Research анонсировал Gemini-SQL2 — модель для преобразования текста в SQL-запросы, основанную на Gemini 3.1 Pro. Она показала 80.04% точность выполнения на BIRD single-model leaderboard, что делает её одной из лучших в своей категории. Этот показатель измеряет способность модели генерировать SQL-запросы, которые корректно выполняются на базе данных, и соответствует лучшим результатам в отрасли.

← Все материалы