Harrier-OSS-v1 (270M, 0.6B, 27B)의 개요
Harrier-OSS-v1은 Microsoft의 오픈 다국어 텍스트 임베딩 모델 제품군으로, 2026년 3월 30일 MIT 라이선스로 harrier-oss-v1-270m, harrier-oss-v1-0.6b, harrier-oss-v1-27b 세 가지 크기가 공개되었습니다. 임베딩 모델은 텍스트를 숫자 목록으로 바꿔 비슷한 의미가 가까이 놓이게 하며, 검색, 군집화, 분류에 쓰입니다. Microsoft의 Bing 팀은 Harrier가 이전 연구인 E5, Multilingual E5, GritLM을 바탕으로 한다고 밝힙니다.
세 모델 모두 마지막 토큰의 상태를 임베딩으로 쓰는 디코더 전용 모델이며, 최대 32,768토큰을 읽고 100개 이상의 언어를 지원합니다. 벡터 크기는 640, 1,024, 5,376차원입니다. 270M과 27B는 Google의 Gemma 3 아키텍처를, 0.6B는 Qwen3를 쓰며, 작은 두 모델은 더 큰 모델에서 증류되었습니다. 학습에는 20억 쌍이 넘는 약지도 쌍과 1,000만 쌍이 넘는 선별 쌍, 그리고 GPT-5가 만든 합성 데이터가 쓰였습니다.
Harrier-OSS-v1 (270M, 0.6B, 27B), 쓸 만한 가치가 있습니까?
Harrier-OSS-v1은 Microsoft가 공개한 다국어 텍스트 임베딩 비교에서 모든 크기에서 선두입니다. Microsoft는 27B가 131개 과제 평균인 다국어 MTEB v2에서 74.3을 기록해 2026년 4월 6일 기준 리더보드 1위였으며, 이전 최고치 72.3보다 2포인트 높았다고 밝힙니다. 같은 비교에서 OpenAI의 text-embedding-3-large는 58.92, Google의 멀티모달 Gemini Embedding 2는 69.9였으므로, 69.0인 0.6B조차 Microsoft 표의 유료 API 대부분을 앞섭니다.
대부분의 구매자에게는 작은 모델이 더 중요합니다. 0.6B는 69.0으로 Qwen3-Embedding-0.6B의 64.3을, 270M은 66.5로 EmbeddingGemma-270m의 61.2를 앞섭니다. IBM이 Granite R2 논문에서 직접 한 비교도 같은 결론입니다. 다국어 MTEB 검색에서 270M은 66.4를 기록해 IBM 모델을 포함해 시험한 500M(5억) 파라미터 미만의 다른 모든 모델을 앞섰습니다. 지난 한 달 Hugging Face 다운로드는 0.6B가 약 230,000건, 27B가 약 7,450건이었습니다.
27B는 연구 수준의 플래그십입니다. 270억 파라미터라 BF16에서 가중치만 약 54 GB가 필요하고, 5,376차원 벡터는 0.6B의 1,024차원보다 다섯 배의 저장 공간을 쓰며, 텍스트만 다룹니다. 대부분의 팀은 모든 질의 뒤에 두는 모델이 아니라 교사 모델이나 오프라인 재순위 보조로 쓸 것입니다.
주의할 점: Microsoft는 호스팅 엔드포인트를 제공하지 않으므로 토큰당 과금 옵션이 없고, Foundry를 통한 Azure 등에서 직접 실행해야 합니다. 질의에는 한 문장짜리 작업 지시가 필요하며 없으면 정확도가 떨어지고, 모델 카드에는 벡터를 줄이는 방법이 나오지 않으며, 리더보드 수치는 공개된 프롬프트로 Microsoft가 직접 실행한 결과입니다.
결론: Harrier 0.6B는 2026년에 자체 데이터로 가장 먼저 벤치마크해 볼 다국어 텍스트 임베딩 모델입니다. 27B는 재현율 몇 포인트가 큰 GPU만큼의 가치가 있을 때만 쓰십시오.
제 역할을 하는 곳
20개 언어로 상품이 올라오는 유럽 마켓플레이스의 검색 엔지니어
구매자가 자기 언어로 검색해 다른 언어로 쓰인 상품을 찾게 하기
GPU 한 장에서 harrier-oss-v1-0.6b로 상품을 임베딩하고 질의는 web_search_query 프롬프트로 인코딩합니다. 1,024차원 벡터로 인덱스를 적당히 유지하고, MIT라 라이선스 검토도 필요 없습니다.
사내 지식 도우미를 만드는 은행의 ML 팀
임베딩 API로 문서를 보내지 않고 검색 품질 높이기
0.6B나 270M을 기존 하드웨어에서 직접 호스팅하거나, 은행의 Azure 테넌트 안에 Foundry 카탈로그로 배포합니다. 문서는 은행 자체 컴퓨팅을 벗어나지 않습니다.
전문 분야용 임베딩 모델을 만드는 연구 그룹
자기 분야의 작은 모델을 위한 학습 라벨 만들기
Microsoft가 작은 Harrier 모델에서 맡긴 것과 같은 교사 역할로 27B를 오프라인에서 써서 질의-문서 쌍을 채점한 뒤, 프로덕션용 소형 모델을 파인튜닝합니다.
도입 전 확인할 점
- 설정
- pip install sentence-transformers 후 microsoft/harrier-oss-v1-0.6b를 불러와 질의는 prompt_name='web_search_query'(또는 직접 만든 'Instruct: ... Query:' 프롬프트)로, 문서는 프롬프트 없이 인코딩합니다.
- 연동
- Sentence Transformers와 Transformers. 공개된 평가 프롬프트가 포함된 mteb 패키지. Hugging Face에서 Microsoft Foundry로 원클릭 배포.
- 데이터와 개인정보
- MIT 라이선스라 가중치를 자유롭게 직접 호스팅하고 수정할 수 있으며, 문서는 자체 하드웨어에 남습니다. Microsoft는 학습 데이터에 GPT-5가 생성한 합성 예시가 포함되었다고 밝힙니다.
- 대규모 사용 시 비용
- 가중치는 무료입니다. 270M과 0.6B는 평범한 GPU에서 실행되지만, 27B는 BF16에서 활성값을 제외하고도 약 54 GB의 가속기 메모리가 필요하며, 벡터는 0.6B의 5.25배 저장 공간을 씁니다.
- 제한
- 텍스트 전용. 입력당 32,768토큰. 마지막 토큰 풀링이라 Sentence Transformers를 쓰지 않으면 패딩 방향이 중요. 질의에 지시 필요. 벡터 크기는 640, 1,024, 5,376으로 고정.
좋은 점
- 27B가 다국어 MTEB v2에서 74.3으로 1위(2026년 4월 6일)
- 69.0의 0.6B와 66.5의 270M이 각 크기 체급에서 선두
- 세 크기 모두 MIT 라이선스
- 32,768토큰 입력, 100개 이상의 언어
아쉬운 점
- 텍스트 전용
- Microsoft 호스팅 API 없음
- 27B는 가중치에 약 54 GB가 필요하고 5,376차원 벡터를 저장
- 질의에 지시 프롬프트 필요
- 벡터 축소 방법 문서화 안 됨
추천 대상
다국어 텍스트 검색을 직접 호스팅하며 라이선스 제약 없이 파라미터당 최고의 오픈 정확도를 원하는 팀.
Harrier-OSS-v1 (270M, 0.6B, 27B) 대안
Harrier-OSS-v1 (270M, 0.6B, 27B): 자주 묻는 질문
- Harrier-OSS-v1 (270M, 0.6B, 27B), 쓸 만한 가치가 있습니까?
- Harrier는 중요한 리더보드에서 가장 정확한 오픈 다국어 텍스트 임베딩 모델이며, 진짜 이야기는 작은 크기들입니다. 평점은 5점 만점에 4.5점입니다.
- Harrier-OSS-v1 (270M, 0.6B, 27B)의 가격은 얼마입니까?
- MIT로 무료. Microsoft의 호스팅 API는 없으며, Foundry 카탈로그에서 자체 Azure 컴퓨팅에 배포할 수 있고 일반 컴퓨팅 요금이 청구됩니다.
- Harrier-OSS-v1 (270M, 0.6B, 27B)의 단점은 무엇입니까?
- 텍스트 전용; Microsoft 호스팅 API 없음; 27B는 가중치에 약 54 GB가 필요하고 5,376차원 벡터를 저장; 질의에 지시 프롬프트 필요; 벡터 축소 방법 문서화 안 됨.
- Harrier-OSS-v1 (270M, 0.6B, 27B)에 적합한 사람은 누구입니까?
- 다국어 텍스트 검색을 직접 호스팅하며 라이선스 제약 없이 파라미터당 최고의 오픈 정확도를 원하는 팀.
- 팀이나 프로덕션 환경에서 Harrier-OSS-v1 (270M, 0.6B, 27B)의 비용은 얼마입니까?
- 가중치는 무료입니다. 270M과 0.6B는 평범한 GPU에서 실행되지만, 27B는 BF16에서 활성값을 제외하고도 약 54 GB의 가속기 메모리가 필요하며, 벡터는 0.6B의 5.25배 저장 공간을 씁니다.
- Harrier-OSS-v1 (270M, 0.6B, 27B)에 회사 데이터를 맡겨도 안전합니까?
- MIT 라이선스라 가중치를 자유롭게 직접 호스팅하고 수정할 수 있으며, 문서는 자체 하드웨어에 남습니다. Microsoft는 학습 데이터에 GPT-5가 생성한 합성 예시가 포함되었다고 밝힙니다.
- Harrier-OSS-v1 (270M, 0.6B, 27B)의 가장 좋은 대안은 무엇입니까?
- 저희가 리뷰한 것 중 가장 가까운 대안은 Qwen3-Embedding and Qwen3-Reranker, Nemotron 3.5 Embed (1B and 8B), Granite Embedding Multilingual R2 (311M and 97M), EmbeddingGemma 2 및 Jina Embeddings v5입니다.
답변 확인일: 2026년 11월 7일.
Harrier-OSS-v1 (270M, 0.6B, 27B) 개발사입니까? 이 평점을 사이트에 표시하십시오
