MarkTechPost · 19.06.2026 ·Машинное обучение

Liquid AI представила компактные модели для многоязычного поиска

Liquid AI представила компактные модели для многоязычного поиска

Компания Liquid AI выпустила новые модели LFM2.5-Embedding-350M и LFM2.5-ColBERT-350M, предназначенные для эффективного семантического поиска. Решения базируются на архитектуре с 350 миллионами параметров и оптимизированы для работы на периферийных устройствах, что позволяет использовать их локально без обращения к облачным серверам.

Разработчики объединили два подхода: плотный би-энкодер для быстрой первичной фильтрации и модель с «поздним взаимодействием» (late-interaction) типа ColBERT для уточнения результатов. Такая комбинация обеспечивает высокую точность ранжирования при сохранении низких требований к вычислительным ресурсам. Модели поддерживают работу с 11 языками, что расширяет возможности их применения в глобальных поисковых системах и локальных RAG-системах.

Использование подобных компактных моделей позволяет значительно ускорить обработку запросов в задачах поиска информации и классификации данных. Благодаря небольшому размеру, LFM2.5 подходят для интеграции в мобильные приложения и встраиваемые системы, где критически важны скорость отклика и конфиденциальность пользовательских данных.

Источник: MarkTechPost

Похожие материалы

Hacker News · Обучение и дообучение Опыт обучения компактных высокопроизводительных моделей Максим Лабонн из Liquid AI представил подробный разбор процесса создания «малых» моделей (Small Language Models), которые по своим характеристикам приближаются к крупным языковым системам. В основе подхода лежит оптимизация архитектуры и качества данных, позволяющая достичь высокой эффективности при ограниченных вычислительных ресурсах. Основное внимание уделяется этапам подготовки датасетов, выбору стратегий токенизации и настройке гиперпараметров, которые критически влияют на итоговую производительность модели. Hacker News · Модели и релизы Релиз компактной модели для транскрибации китайского языка Разработчики представили специализированную модель для распознавания речи на китайском языке с параметрами 150 млн. Решение ориентировано на высокую скорость работы и оптимизировано для задач транскрибации в реальном времени. Ключевой особенностью системы является встроенная функция автоматического определения метаданных, что позволяет извлекать контекстную информацию непосредственно в процессе обработки аудиопотока. Microsoft Research · Оркестрация агентов MagenticLite: агентная система для малых моделей от Microsoft Research Microsoft Research представила MagenticLite — агентную систему, оптимизированную для работы с малыми моделями. Она поддерживает выполнение задач как в браузере, так и в локальной файловой системе, что делает её универсальным решением для повседневных задач. Система объединяет специализированные модели и оркестрацию, что позволяет эффективно использовать ограниченные вычислительные ресурсы. The Decoder · Модели и релизы Zhipu AI представила модель GLM-5.2 с контекстным окном в 1 млн токенов Китайская лаборатория Zhipu AI выпустила новую языковую модель GLM-5.2, распространяемую под лицензией MIT. Ключевой особенностью релиза стала поддержка контекстного окна объемом 1 миллион токенов, что позволяет обрабатывать значительные массивы данных за один запрос. Модель ориентирована на решение сложных задач, требующих длительного удержания контекста и глубокого анализа информации. Hacker News · Модели и релизы Как мелкие модели могут конкурировать с крупными Исследователи из DeepClause предложили метод, позволяющий мелким языковым моделям демонстрировать производительность, сопоставимую с крупными аналогами. В статье на Substack они объясняют, что ключевым фактором является не количество параметров, а эффективность архитектуры и стратегии обучения. Hacker News · Модели и релизы GLM-5.2: новая модель для сложных задач Компания Zhipu AI представила модель GLM-5.2, оптимизированную для выполнения сложных задач, требующих длительного контекста. Новая версия поддерживает до 128K токенов, что позволяет обрабатывать большие объёмы текста и выполнять задачи, требующие глубокого анализа. Hacker News · Обучение и дообучение Дообучение компактных локальных моделей для классификации запросов Разработчики все чаще обращаются к дообучению компактных языковых моделей для решения узкоспециализированных задач. Такой подход позволяет добиться высокой точности классификации запросов, сохраняя при этом возможность запуска системы на локальном оборудовании без обращения к облачным API. Использование небольших моделей значительно снижает задержки при обработке данных и позволяет полностью контролировать процесс инференса. Hacker News · Оценка и бенчмарки BEAVER: новый бенчмарк для оценки LLM в Text-to-SQL Исследователи представили BEAVER — новый бенчмарк для оценки способности языковых моделей (LLM) преобразовывать текстовые запросы в SQL. Это важный шаг в развитии ИИ-агентов, которые могут работать с базами данных, так как Text-to-SQL является критически важной задачей для автоматизации аналитики и управления данными. Hugging Face - Blog · Память и 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. Hacker News · Исследования и наука VibeThinker-3B: новый подход к верифицируемому рассуждению в небольших языковых моделях Исследователи представили VibeThinker-3B — небольшую языковую модель, способную выполнять верифицируемое рассуждение. Это значит, что модель может не только генерировать ответы, но и предоставлять обоснования для своих выводов, что делает её более прозрачной и надежной.

← Все материалы