Was ist Harrier-OSS-v1 (270M, 0.6B, 27B)?
Harrier-OSS-v1 ist eine Familie offener mehrsprachiger Text-Embedding-Modelle von Microsoft, am 30. März 2026 unter der MIT-Lizenz in drei Größen veröffentlicht: harrier-oss-v1-270m, harrier-oss-v1-0.6b und harrier-oss-v1-27b. Ein Embedding-Modell verwandelt Text in eine Zahlenliste, sodass ähnliche Bedeutungen nah beieinanderliegen, für Suche, Clustering und Klassifikation. Microsofts Bing-Team sagt, Harrier baue auf seinen früheren Arbeiten E5, Multilingual E5 und GritLM auf.
Alle drei sind reine Decoder-Modelle, die den Zustand des letzten Tokens als Embedding nehmen, bis zu 32.768 Tokens lesen und mehr als 100 Sprachen abdecken. Die Vektorgrößen betragen 640, 1.024 und 5.376 Dimensionen. Das 270M und das 27B nutzen Googles Gemma-3-Architektur, das 0.6B Qwen3; die beiden kleineren Modelle wurden aus größeren destilliert. Trainiert wurde mit über 2 Milliarden schwach überwachten Paaren und über 10 Millionen kuratierten, dazu synthetische Daten von GPT-5.
Lohnt sich Harrier-OSS-v1 (270M, 0.6B, 27B)?
Harrier-OSS-v1 führt Microsofts Vergleiche mehrsprachiger Text-Embeddings in jeder Größe an, die es gibt. Microsoft meldet für das 27B 74,3 auf MTEB v2 mehrsprachig, ein Durchschnitt über 131 Aufgaben, Platz eins auf dem Leaderboard mit Stand 6. April 2026 und 2 Punkte über dem bisherigen Bestwert von 72,3. Im selben Vergleich erreichte OpenAIs text-embedding-3-large 58,92 und Googles multimodales Gemini Embedding 2 69,9, sodass selbst das 0.6B mit 69,0 die meisten kostenpflichtigen APIs in Microsofts Tabelle schlägt.
Für die meisten Käufer zählen die kleinen Modelle mehr. Das 0.6B erzielt 69,0 gegenüber 64,3 für Qwen3-Embedding-0.6B und das 270M 66,5 gegenüber 61,2 für EmbeddingGemma-270m. IBMs eigener Vergleich im Granite-R2-Paper bestätigt das: Beim mehrsprachigen MTEB-Retrieval kam das 270M auf 66,4, vor jedem anderen getesteten Modell unter 500 Millionen Parametern, auch denen von IBM. Das 0.6B verzeichnete im letzten Monat etwa 230.000 Downloads bei Hugging Face, das 27B etwa 7.450.
Das 27B ist ein Flaggschiff auf Forschungsniveau. Mit 27 Milliarden Parametern braucht es in BF16 etwa 54 GB allein für die Gewichte, seine Vektoren mit 5.376 Dimensionen belegen fünfmal so viel Speicher wie die 1.024 des 0.6B, und es verarbeitet nur Text. Die meisten Teams werden es als Lehrermodell oder Offline-Hilfe fürs Reranking nutzen, nicht als Modell hinter jeder Anfrage.
Der Haken: Microsoft bietet keinen gehosteten Endpunkt, es gibt also keine Abrechnung pro Token, und du betreibst es selbst, auf Azure über Foundry oder anderswo. Anfragen brauchen eine Aufgabenanweisung in einem Satz, sonst sinkt die Genauigkeit, die Model Card nennt keine Möglichkeit, Vektoren zu kürzen, und die Leaderboard-Zahlen sind Microsofts Läufe mit den veröffentlichten Prompts.
Unser Fazit: Harrier 0.6B ist 2026 das mehrsprachige Text-Embedding-Modell, das du zuerst an eigenen Daten testen solltest; zum 27B greifst du nur, wenn ein paar Punkte Recall eine große GPU wert sind.
Wo es sich lohnt
Ein Search Engineer bei einem europäischen Marktplatz mit Angeboten in 20 Sprachen
Käufer in ihrer Sprache suchen und Angebote in einer anderen finden lassen
Angebote mit harrier-oss-v1-0.6b auf einer einzelnen GPU einbetten und Anfragen mit dem Prompt web_search_query kodieren; Vektoren mit 1.024 Dimensionen halten den Index überschaubar, und MIT erspart jede Lizenzprüfung.
Ein ML-Team bei einer Bank, das einen internen Wissensassistenten baut
Die Retrieval-Qualität verbessern, ohne Dokumente an eine Embedding-API zu schicken
Das 0.6B oder 270M auf vorhandener Hardware selbst hosten oder aus dem Foundry-Katalog im Azure-Tenant der Bank bereitstellen; Dokumente verlassen nie die eigene Rechenleistung der Bank.
Eine Forschungsgruppe, die ein Embedding-Modell für ihr Fachgebiet baut
Trainingslabels für ein kleineres Modell in ihrem Gebiet erzeugen
Das 27B offline als Lehrermodell nutzen, die Rolle, die Microsoft ihm für die kleineren Harrier-Modelle gab, um Paare aus Anfrage und Dokument zu bewerten, und dann ein kompaktes Modell für die Produktion feintunen.
Bevor du dich festlegst
- Einrichtung
- pip install sentence-transformers, microsoft/harrier-oss-v1-0.6b laden und Anfragen mit prompt_name='web_search_query' (oder einem eigenen Prompt 'Instruct: ... Query:') kodieren, Dokumente ohne Prompt.
- Integrationen
- Sentence Transformers und Transformers; das Paket mteb mit den veröffentlichten Evaluations-Prompts; Bereitstellung mit einem Klick von Hugging Face in Microsoft Foundry.
- Daten und Datenschutz
- MIT-Lizenz, Gewichte dürfen also frei selbst gehostet und verändert werden; Dokumente bleiben auf deiner Hardware. Laut Microsoft enthielten die Trainingsdaten von GPT-5 erzeugte synthetische Beispiele.
- Kosten im großen Maßstab
- Die Gewichte sind kostenlos. Das 270M und das 0.6B laufen auf bescheidenen GPUs; das 27B braucht in BF16 etwa 54 GB Beschleunigerspeicher vor Aktivierungen, und seine Vektoren belegen das 5,25-Fache des Speichers der 0.6B-Vektoren.
- Grenzen
- Nur Text; 32.768 Tokens pro Eingabe; wegen Last-Token-Pooling spielt die Padding-Seite eine Rolle, wenn du Sentence Transformers umgehst; Anfragen brauchen eine Anweisung; feste Vektorgrößen von 640, 1.024 oder 5.376.
Was gut ist
- 27B auf Platz eins bei MTEB v2 mehrsprachig mit 74,3 (6. April 2026)
- 0.6B mit 69,0 und 270M mit 66,5 führen ihre Größenklassen an
- MIT-Lizenz für alle drei Größen
- Eingabe bis 32.768 Tokens, mehr als 100 Sprachen
Was nicht
- Nur Text
- Keine gehostete API von Microsoft
- 27B braucht etwa 54 GB für die Gewichte und speichert Vektoren mit 5.376 Dimensionen
- Anfragen brauchen einen Anweisungs-Prompt
- Keine dokumentierte Vektorkürzung
Am besten für
Teams, die mehrsprachige Textsuche selbst hosten und die beste offene Genauigkeit pro Parameter ohne Lizenzauflagen wollen.
Alternativen zu Harrier-OSS-v1 (270M, 0.6B, 27B)
Harrier-OSS-v1 (270M, 0.6B, 27B): häufige Fragen
- Lohnt sich Harrier-OSS-v1 (270M, 0.6B, 27B)?
- Harrier ist das genaueste offene mehrsprachige Text-Embedding-Modell auf dem Leaderboard, das zählt, und seine kleinen Größen sind die bessere Geschichte. Wir bewerten es mit 4.5 von 5.
- Was kostet Harrier-OSS-v1 (270M, 0.6B, 27B)?
- Kostenlos unter MIT. Keine gehostete API von Microsoft; die Modelle lassen sich aus dem Foundry-Katalog auf eigener Azure-Rechenleistung bereitstellen, abgerechnet als normale Rechenleistung.
- Welche Nachteile hat Harrier-OSS-v1 (270M, 0.6B, 27B)?
- Nur Text; Keine gehostete API von Microsoft; 27B braucht etwa 54 GB für die Gewichte und speichert Vektoren mit 5.376 Dimensionen; Anfragen brauchen einen Anweisungs-Prompt; Keine dokumentierte Vektorkürzung.
- Für wen eignet sich Harrier-OSS-v1 (270M, 0.6B, 27B)?
- Teams, die mehrsprachige Textsuche selbst hosten und die beste offene Genauigkeit pro Parameter ohne Lizenzauflagen wollen.
- Was kostet Harrier-OSS-v1 (270M, 0.6B, 27B) für ein Team oder im Produktivbetrieb?
- Die Gewichte sind kostenlos. Das 270M und das 0.6B laufen auf bescheidenen GPUs; das 27B braucht in BF16 etwa 54 GB Beschleunigerspeicher vor Aktivierungen, und seine Vektoren belegen das 5,25-Fache des Speichers der 0.6B-Vektoren.
- Ist Harrier-OSS-v1 (270M, 0.6B, 27B) sicher für Firmendaten?
- MIT-Lizenz, Gewichte dürfen also frei selbst gehostet und verändert werden; Dokumente bleiben auf deiner Hardware. Laut Microsoft enthielten die Trainingsdaten von GPT-5 erzeugte synthetische Beispiele.
- Was sind die besten Alternativen zu Harrier-OSS-v1 (270M, 0.6B, 27B)?
- Die nächsten Alternativen, die wir getestet haben, sind Qwen3-Embedding and Qwen3-Reranker, Nemotron 3.5 Embed (1B and 8B), Granite Embedding Multilingual R2 (311M and 97M), EmbeddingGemma 2 und Jina Embeddings v5.
Antworten geprüft am 7. Nov. 2026.
Du entwickelst Harrier-OSS-v1 (270M, 0.6B, 27B)? Zeig diese Bewertung auf deiner Website
