在 RAG（檢索增強(qiáng)生成）、語義搜索和大規(guī)模數(shù)據(jù)分析的浪潮中，嵌入模型（Embedding Model）是不可或缺的底層基石。然而，當(dāng)前的 Embedding 研究正面臨兩大挑戰(zhàn)：

1. 英語中心化偏見：多數(shù)模型在英文以及中文上表現(xiàn)強(qiáng)悍，但在其他中低資源語言上力不從心。
2. 透明度鴻溝：頂尖模型（如 Gemini、Qwen3-Embedding 等）多為閉源 API 或僅開放權(quán)重，其訓(xùn)練數(shù)據(jù)和方法論往往秘而不宣，嚴(yán)重阻礙了開源社區(qū)的復(fù)現(xiàn)與進(jìn)化。

針對這些痛點(diǎn)，螞蟻集團(tuán)聯(lián)合上海交通大學(xué)正式發(fā)布并開源了 F2LLM-v2。這不僅是一個性能霸榜的工具，更是對“開源透明”和“語言普惠”的一次深度踐行。

開源地址： GitHub:https://github.com/codefuse-ai/CodeFuse-Embeddings[1] Hugging Face:https://huggingface.co/collections/codefuse-ai/f2llm[2]

與市面上許多閉源接口或黑盒模型不同，F(xiàn)2LLM 團(tuán)隊(duì)始終堅(jiān)持開源精神。

這一次，團(tuán)隊(duì)精心構(gòu)建了一個包含6000萬高質(zhì)量樣本的訓(xùn)練語料庫，涵蓋282種自然語言和40多種編程語言。最重要的是，這些數(shù)據(jù)全部源自公開資源，且團(tuán)隊(duì)公開了完整的訓(xùn)練配方、中間檢查點(diǎn)以及相關(guān)代碼。

這種全方位透明度不僅方便研究者復(fù)現(xiàn)，更為全球開發(fā)者構(gòu)建真正包容、多語種的 AI 應(yīng)用提供了肥沃的土壤。

2. 霸榜 11 項(xiàng) MTEB，定義多語言 SOTA

F2LLM-v2 在 MTEB（最權(quán)威的大規(guī)模文本嵌入評測基準(zhǔn)）上的表現(xiàn)堪稱驚艷。其14B與8B版本在 11 個 MTEB 分支榜單上摘得桂冠。

無論是歐洲語言、斯堪的納維亞語系，還是波斯語、越南語等中低資源語言，F(xiàn)2LLM-v2 均刷新了 SOTA 記錄。特別是在代碼搜索領(lǐng)域，F(xiàn)2LLM-v2 延續(xù)了 CodeFuse 家族的強(qiáng)項(xiàng)，與團(tuán)隊(duì)數(shù)月前開源的代碼專用嵌入模型 C2LLM 并列第一，成為開發(fā)者構(gòu)建智能化代碼庫檢索的首選。

3. 全尺寸布局：從 80M 到 14B 的極致覆蓋

為了適應(yīng)從邊緣設(shè)備到大型數(shù)據(jù)中心的全場景需求，F(xiàn)2LLM-v2 推出了8 種不同尺寸的模型：

• 輕量級（80M / 160M / 330M）：適用于對延遲極其敏感的終端應(yīng)用。
• 主流級（0.6B / 1.7B / 4B）：兼顧性能與效率。
• 重型（8B / 14B）：為企業(yè)級檢索系統(tǒng)提供最高精度的語義表征。

值得關(guān)注的是，通過模型剪枝和知識蒸餾技術(shù)，小尺寸模型在推理效率大幅提升的同時保留了強(qiáng)大性能，打破了“小模型無高性能”的迷思。

同時，F(xiàn)2LLM-v2 家族的所有模型均支持套娃式表征，任意截取輸出嵌入的開頭維度即可獲得接近全維度的性能。這為開發(fā)者在存儲成本和檢索速度之間提供了極大的靈活權(quán)衡空間。

4. 結(jié)語：共同打造一個更包容、更透明的 AI 世界

F2LLM-v2 不僅僅是一個技術(shù)報告中的數(shù)字，它代表了開源社區(qū)的一種力量——不依賴封閉數(shù)據(jù)與技術(shù)，依然能做出世界頂級性能的模型。

無論你是正在構(gòu)建多語言 RAG 系統(tǒng)的開發(fā)者，還是專注于向量表征的研究者，F(xiàn)2LLM-v2 都是一個值得點(diǎn)贊和深入挖掘的開源寶庫。

立刻加入開源社區(qū)，共同探索 F2LLM-v2 的無限可能！

1. https://github.com/codefuse-ai/CodeFuse-Embeddings
2. https://huggingface.co/collections/codefuse-ai/f2llm