Qu’est-ce que Harrier-OSS-v1 (270M, 0.6B, 27B) ?
Harrier-OSS-v1 est une famille de modèles ouverts d'embeddings de texte multilingues de Microsoft, publiée le 30 mars 2026 sous licence MIT en trois tailles : harrier-oss-v1-270m, harrier-oss-v1-0.6b et harrier-oss-v1-27b. Un modèle d'embeddings transforme un texte en une liste de nombres afin que les sens proches se retrouvent voisins, pour la recherche, le regroupement et la classification. L'équipe Bing de Microsoft indique que Harrier s'appuie sur ses travaux antérieurs E5, Multilingual E5 et GritLM.
Les trois sont des modèles décodeurs seuls qui prennent l'état du dernier token comme embedding, lisent jusqu'à 32 768 tokens et couvrent plus de 100 langues. Les vecteurs font 640, 1 024 et 5 376 dimensions. Le 270M et le 27B reposent sur l'architecture Gemma 3 de Google et le 0.6B sur Qwen3 ; les deux plus petits ont été distillés à partir de modèles plus grands. L'entraînement a utilisé plus de 2 milliards de paires faiblement supervisées et plus de 10 millions de paires sélectionnées, avec des données synthétiques de GPT-5.
Harrier-OSS-v1 (270M, 0.6B, 27B) vaut-il le coup ?
Harrier-OSS-v1 domine les comparaisons d'embeddings de texte multilingues de Microsoft dans chacune de ses tailles. Microsoft annonce 74,3 sur MTEB v2 multilingue, une moyenne sur 131 tâches, pour le 27B, premier du leaderboard au 6 avril 2026 et 2 points au-dessus du précédent record de 72,3. Dans la même comparaison, text-embedding-3-large d'OpenAI obtenait 58,92 et le multimodal Gemini Embedding 2 de Google 69,9 : même le 0.6B, à 69,0, bat la plupart des API payantes du tableau de Microsoft.
Les petits modèles comptent davantage pour la plupart des acheteurs. Le 0.6B obtient 69,0 contre 64,3 pour Qwen3-Embedding-0.6B, et le 270M 66,5 contre 61,2 pour EmbeddingGemma-270m. La comparaison d'IBM dans son article sur Granite R2 va dans le même sens : en recherche MTEB multilingue, le 270M obtenait 66,4, devant tous les autres modèles de moins de 500 millions de paramètres testés, y compris ceux d'IBM. Le 0.6B a enregistré environ 230 000 téléchargements sur Hugging Face le mois dernier, et le 27B environ 7 450.
Le 27B est un modèle phare de niveau recherche. Avec 27 milliards de paramètres, il lui faut environ 54 GB rien que pour ses poids en BF16, ses vecteurs de 5 376 dimensions occupent cinq fois plus de stockage que les 1 024 du 0.6B, et il ne traite que du texte. La plupart des équipes s'en serviront comme modèle enseignant ou comme aide au reranking hors ligne plutôt que comme modèle derrière chaque requête.
Le hic : Microsoft ne propose aucun endpoint hébergé, il n'y a donc pas de facturation au token et vous le faites tourner vous-même, sur Azure via Foundry ou ailleurs. Les requêtes exigent une consigne de tâche d'une phrase sous peine de perte de précision, la fiche ne mentionne aucun moyen de raccourcir les vecteurs, et les chiffres du leaderboard sont des exécutions de Microsoft avec les consignes qu'il a publiées.
Notre avis : Harrier 0.6B est en 2026 le modèle d'embeddings de texte multilingue à évaluer en premier sur vos propres données ; ne passez au 27B que si quelques points de rappel valent un gros GPU.
Là où il fait la différence
Un ingénieur recherche d'une place de marché européenne avec des annonces en 20 langues
Permettre aux acheteurs de chercher dans leur langue et de trouver des annonces écrites dans une autre
Encodez les annonces avec harrier-oss-v1-0.6b sur un seul GPU et les requêtes avec la consigne web_search_query ; des vecteurs de 1 024 dimensions gardent l'index raisonnable, et la licence MIT évite toute revue juridique.
Une équipe ML d'une banque qui conçoit un assistant de connaissances interne
Améliorer la qualité de recherche sans envoyer de documents à une API d'embeddings
Hébergez le 0.6B ou le 270M sur le matériel existant, ou déployez-le depuis le catalogue Foundry dans le tenant Azure de la banque ; les documents ne quittent jamais la capacité de calcul de la banque.
Un groupe de recherche qui crée un modèle d'embeddings spécialisé
Produire des étiquettes d'entraînement pour un modèle plus petit dans son domaine
Utilisez le 27B hors ligne comme enseignant, le rôle que Microsoft lui a donné pour les petits Harrier, afin de noter des paires requête-document, puis affinez un modèle compact pour la production.
Avant de vous engager
- Mise en route
- pip install sentence-transformers, chargez microsoft/harrier-oss-v1-0.6b et encodez les requêtes avec prompt_name='web_search_query' (ou une consigne personnalisée 'Instruct: ... Query:') et les documents sans consigne.
- Intégrations
- Sentence Transformers et Transformers ; le paquet mteb avec les consignes d'évaluation publiées ; déploiement en un clic depuis Hugging Face vers Microsoft Foundry.
- Données et confidentialité
- Licence MIT : les poids peuvent être hébergés et modifiés librement ; les documents restent sur votre matériel. Microsoft indique que les données d'entraînement comprenaient des exemples synthétiques générés par GPT-5.
- Coût à grande échelle
- Les poids sont gratuits. Le 270M et le 0.6B tournent sur des GPU modestes ; le 27B exige environ 54 GB de mémoire d'accélérateur en BF16 avant activations, et ses vecteurs occupent 5,25 fois le stockage de ceux du 0.6B.
- Limites
- Texte uniquement ; 32 768 tokens par entrée ; avec le pooling du dernier token, le côté du remplissage compte si vous contournez Sentence Transformers ; les requêtes exigent une consigne ; tailles de vecteurs fixes de 640, 1 024 ou 5 376.
Les points forts
- Le 27B premier sur MTEB v2 multilingue à 74,3 (6 avril 2026)
- Le 0.6B à 69,0 et le 270M à 66,5 mènent leur catégorie de taille
- Licence MIT pour les trois tailles
- Entrée de 32 768 tokens, plus de 100 langues
Les points faibles
- Texte uniquement
- Pas d'API hébergée par Microsoft
- Le 27B exige environ 54 GB pour ses poids et stocke des vecteurs de 5 376 dimensions
- Les requêtes exigent une consigne
- Aucune réduction de vecteurs documentée
Idéal pour
Les équipes qui hébergent elles-mêmes une recherche textuelle multilingue et veulent la meilleure précision ouverte par paramètre, sans contrainte de licence.
Alternatives à Harrier-OSS-v1 (270M, 0.6B, 27B)
Harrier-OSS-v1 (270M, 0.6B, 27B) : questions fréquentes
- Harrier-OSS-v1 (270M, 0.6B, 27B) vaut-il le coup ?
- Harrier est le modèle d'embeddings de texte multilingue ouvert le plus précis sur le leaderboard qui compte, et ses petites tailles sont le vrai sujet. Nous lui donnons 4.5 sur 5.
- Combien coûte Harrier-OSS-v1 (270M, 0.6B, 27B) ?
- Gratuit sous MIT. Pas d'API hébergée par Microsoft ; les modèles peuvent être déployés sur votre propre capacité Azure depuis le catalogue Foundry, facturée comme du calcul ordinaire.
- Quels sont les inconvénients de Harrier-OSS-v1 (270M, 0.6B, 27B) ?
- Texte uniquement; pas d'API hébergée par Microsoft; le 27B exige environ 54 GB pour ses poids et stocke des vecteurs de 5 376 dimensions; les requêtes exigent une consigne; aucune réduction de vecteurs documentée.
- À qui s’adresse Harrier-OSS-v1 (270M, 0.6B, 27B) ?
- Les équipes qui hébergent elles-mêmes une recherche textuelle multilingue et veulent la meilleure précision ouverte par paramètre, sans contrainte de licence.
- Combien coûte Harrier-OSS-v1 (270M, 0.6B, 27B) pour une équipe ou en production ?
- Les poids sont gratuits. Le 270M et le 0.6B tournent sur des GPU modestes ; le 27B exige environ 54 GB de mémoire d'accélérateur en BF16 avant activations, et ses vecteurs occupent 5,25 fois le stockage de ceux du 0.6B.
- Harrier-OSS-v1 (270M, 0.6B, 27B) est-il sûr pour les données de l’entreprise ?
- Licence MIT : les poids peuvent être hébergés et modifiés librement ; les documents restent sur votre matériel. Microsoft indique que les données d'entraînement comprenaient des exemples synthétiques générés par GPT-5.
- Quelles sont les meilleures alternatives à Harrier-OSS-v1 (270M, 0.6B, 27B) ?
- Les alternatives les plus proches que nous avons testées sont Qwen3-Embedding and Qwen3-Reranker, Nemotron 3.5 Embed (1B and 8B), Granite Embedding Multilingual R2 (311M and 97M), EmbeddingGemma 2 et Jina Embeddings v5.
Réponses vérifiées le 7 nov. 2026.
Vous éditez Harrier-OSS-v1 (270M, 0.6B, 27B) ? Affichez cette note sur votre site
