¿Qué es Harrier-OSS-v1 (270M, 0.6B, 27B)?
Harrier-OSS-v1 es una familia de modelos abiertos de embeddings de texto multilingüe de Microsoft, publicada el 30 de marzo de 2026 bajo la licencia MIT en tres tamaños: harrier-oss-v1-270m, harrier-oss-v1-0.6b y harrier-oss-v1-27b. Un modelo de embeddings convierte texto en una lista de números para que los significados parecidos queden cerca, lo que sirve para búsqueda, agrupación y clasificación. El equipo de Bing de Microsoft dice que Harrier se apoya en sus trabajos anteriores E5, Multilingual E5 y GritLM.
Los tres son modelos solo decodificador que toman el estado del último token como embedding, leen hasta 32.768 tokens y cubren más de 100 idiomas. Los vectores tienen 640, 1.024 y 5.376 dimensiones. El 270M y el 27B usan la arquitectura Gemma 3 de Google y el 0.6B usa Qwen3; los dos modelos pequeños se destilaron de otros mayores. El entrenamiento usó más de 2.000 millones de pares con supervisión débil y más de 10 millones de pares seleccionados, con datos sintéticos de GPT-5.
¿Merece la pena Harrier-OSS-v1 (270M, 0.6B, 27B)?
Harrier-OSS-v1 encabeza las comparaciones de embeddings de texto multilingüe de Microsoft en todos los tamaños que publica. Microsoft indica 74,3 en MTEB v2 multilingüe, una media sobre 131 tareas, para el 27B, primero en la leaderboard a 6 de abril de 2026 y 2 puntos por encima del mejor resultado anterior, 72,3. En la misma comparación, text-embedding-3-large de OpenAI marcó 58,92 y el multimodal Gemini Embedding 2 de Google 69,9, así que incluso el 0.6B, con 69,0, supera a la mayoría de las API de pago de la tabla de Microsoft.
Los modelos pequeños importan más para la mayoría de los compradores. El 0.6B marca 69,0 frente a 64,3 de Qwen3-Embedding-0.6B, y el 270M 66,5 frente a 61,2 de EmbeddingGemma-270m. La comparación de la propia IBM en su artículo de Granite R2 coincide: en recuperación MTEB multilingüe el 270M marcó 66,4, por delante de todos los demás modelos de menos de 500 millones de parámetros que probó, incluidos los de IBM. El 0.6B registró unas 230.000 descargas en Hugging Face el último mes, y el 27B unas 7.450.
El 27B es un buque insignia de nivel de investigación. Con 27.000 millones de parámetros necesita unos 54 GB solo para los pesos en BF16, sus vectores de 5.376 dimensiones ocupan cinco veces lo que los de 1.024 del 0.6B, y solo trabaja con texto. La mayoría de los equipos lo usarán como maestro o como ayuda de reordenación sin conexión, no como el modelo detrás de cada consulta.
La pega: Microsoft no ofrece un endpoint alojado, así que no hay opción de pago por token y lo ejecutas tú, en Azure a través de Foundry o en otro sitio. Las consultas necesitan una instrucción de tarea de una frase o la precisión cae, la ficha no menciona ninguna forma de acortar los vectores y las cifras de la leaderboard son ejecuciones de Microsoft con las indicaciones que publicó.
Nuestra opinión: Harrier 0.6B es el embedder de texto multilingüe que conviene probar primero con tus propios datos en 2026; recurre al 27B solo si unos puntos de recall valen una GPU grande.
Dónde se gana su sitio
Un ingeniero de búsqueda en un marketplace europeo con anuncios en 20 idiomas
Que los compradores busquen en su idioma y encuentren anuncios escritos en otro
Genera los embeddings de los anuncios con harrier-oss-v1-0.6b en una sola GPU y codifica las consultas con la indicación web_search_query; los vectores de 1.024 dimensiones mantienen el índice contenido, y MIT evita cualquier revisión de licencia.
Un equipo de ML en un banco que crea un asistente de conocimiento interno
Mejorar la calidad de recuperación sin enviar documentos a una API de embeddings
Aloja el 0.6B o el 270M en hardware existente, o despliégalo desde el catálogo de Foundry dentro del tenant de Azure del banco; los documentos nunca salen del cómputo propio del banco.
Un grupo de investigación que crea un embedder para su dominio
Generar etiquetas de entrenamiento para un modelo más pequeño en su campo
Usa el 27B sin conexión como maestro, el papel que Microsoft le dio para los Harrier pequeños, para puntuar parejas de consulta y documento, y después ajusta un modelo compacto para producción.
Antes de decidirte
- Puesta en marcha
- pip install sentence-transformers, carga microsoft/harrier-oss-v1-0.6b y codifica las consultas con prompt_name='web_search_query' (o una indicación propia 'Instruct: ... Query:') y los documentos sin indicación.
- Integraciones
- Sentence Transformers y Transformers; el paquete mteb con las indicaciones de evaluación publicadas; despliegue en un clic desde Hugging Face a Microsoft Foundry.
- Datos y privacidad
- Licencia MIT, así que los pesos se pueden alojar y modificar libremente; los documentos se quedan en tu hardware. Microsoft dice que los datos de entrenamiento incluyeron ejemplos sintéticos generados por GPT-5.
- Coste a escala
- Los pesos son gratuitos. El 270M y el 0.6B funcionan en GPU modestas; el 27B necesita unos 54 GB de memoria de acelerador en BF16 antes de activaciones, y sus vectores ocupan 5,25 veces lo que los del 0.6B.
- Límites
- Solo texto; 32.768 tokens por entrada; el pooling del último token hace que el lado del relleno importe si no usas Sentence Transformers; las consultas necesitan una instrucción; tamaños de vector fijos de 640, 1.024 o 5.376.
Lo bueno
- El 27B, primero en MTEB v2 multilingüe con 74,3 (6 de abril de 2026)
- El 0.6B con 69,0 y el 270M con 66,5 lideran sus categorías de tamaño
- Licencia MIT en los tres tamaños
- Entrada de 32.768 tokens, más de 100 idiomas
Lo malo
- Solo texto
- Sin API alojada de Microsoft
- El 27B necesita unos 54 GB para los pesos y guarda vectores de 5.376 dimensiones
- Las consultas necesitan una instrucción
- Sin recorte de vectores documentado
Ideal para
Equipos que alojan su propia búsqueda de texto multilingüe y quieren la mejor precisión abierta por parámetro sin condiciones de licencia.
Alternativas a Harrier-OSS-v1 (270M, 0.6B, 27B)
Harrier-OSS-v1 (270M, 0.6B, 27B): preguntas frecuentes
- ¿Merece la pena Harrier-OSS-v1 (270M, 0.6B, 27B)?
- Harrier es el embedder de texto multilingüe abierto más preciso en la leaderboard que importa, y sus tamaños pequeños son lo más interesante. Le damos un 4.5 sobre 5.
- ¿Cuánto cuesta Harrier-OSS-v1 (270M, 0.6B, 27B)?
- Gratis bajo MIT. Microsoft no ofrece una API alojada; los modelos se pueden desplegar en tu propio cómputo de Azure desde el catálogo de Foundry, facturado como cómputo normal.
- ¿Qué inconvenientes tiene Harrier-OSS-v1 (270M, 0.6B, 27B)?
- Solo texto; sin API alojada de Microsoft; el 27B necesita unos 54 GB para los pesos y guarda vectores de 5.376 dimensiones; las consultas necesitan una instrucción; sin recorte de vectores documentado.
- ¿Para quién es Harrier-OSS-v1 (270M, 0.6B, 27B)?
- Equipos que alojan su propia búsqueda de texto multilingüe y quieren la mejor precisión abierta por parámetro sin condiciones de licencia.
- ¿Cuánto cuesta Harrier-OSS-v1 (270M, 0.6B, 27B) para un equipo o en producción?
- Los pesos son gratuitos. El 270M y el 0.6B funcionan en GPU modestas; el 27B necesita unos 54 GB de memoria de acelerador en BF16 antes de activaciones, y sus vectores ocupan 5,25 veces lo que los del 0.6B.
- ¿Es Harrier-OSS-v1 (270M, 0.6B, 27B) seguro para los datos de la empresa?
- Licencia MIT, así que los pesos se pueden alojar y modificar libremente; los documentos se quedan en tu hardware. Microsoft dice que los datos de entrenamiento incluyeron ejemplos sintéticos generados por GPT-5.
- ¿Cuáles son las mejores alternativas a Harrier-OSS-v1 (270M, 0.6B, 27B)?
- Las alternativas más cercanas que hemos analizado son Qwen3-Embedding and Qwen3-Reranker, Nemotron 3.5 Embed (1B and 8B), Granite Embedding Multilingual R2 (311M and 97M), EmbeddingGemma 2 y Jina Embeddings v5.
Respuestas comprobadas el 7 nov 2026.
¿Desarrollas Harrier-OSS-v1 (270M, 0.6B, 27B)? Muestra esta nota en tu web
