O que é Harrier-OSS-v1 (270M, 0.6B, 27B)?
Harrier-OSS-v1 é uma família de modelos abertos de embeddings de texto multilíngue da Microsoft, lançada em 30 de março de 2026 sob a licença MIT em três tamanhos: harrier-oss-v1-270m, harrier-oss-v1-0.6b e harrier-oss-v1-27b. Um modelo de embeddings transforma texto numa lista de números para que significados parecidos fiquem próximos, para busca, agrupamento e classificação. A equipe do Bing da Microsoft diz que o Harrier se apoia nos trabalhos anteriores E5, Multilingual E5 e GritLM.
Os três são modelos só de decodificador que usam o estado do último token como embedding, leem até 32.768 tokens e cobrem mais de 100 idiomas. Os vetores têm 640, 1.024 e 5.376 dimensões. O 270M e o 27B usam a arquitetura Gemma 3 do Google e o 0.6B usa Qwen3; os dois menores foram destilados de modelos maiores. O treino usou mais de 2 bilhões de pares com supervisão fraca e mais de 10 milhões de pares selecionados, com dados sintéticos do GPT-5.
Harrier-OSS-v1 (270M, 0.6B, 27B) vale a pena?
Harrier-OSS-v1 lidera as comparações de embeddings de texto multilíngue da Microsoft em todos os tamanhos que oferece. A Microsoft informa 74,3 no MTEB v2 multilíngue, uma média de 131 tarefas, para o 27B, primeiro no leaderboard em 6 de abril de 2026 e 2 pontos acima do recorde anterior de 72,3. Na mesma comparação, o text-embedding-3-large da OpenAI marcou 58,92 e o multimodal Gemini Embedding 2 do Google 69,9, então até o 0.6B, com 69,0, supera a maioria das APIs pagas da tabela da Microsoft.
Os modelos pequenos importam mais para a maioria dos compradores. O 0.6B marca 69,0 contra 64,3 do Qwen3-Embedding-0.6B, e o 270M 66,5 contra 61,2 do EmbeddingGemma-270m. A comparação da própria IBM no artigo do Granite R2 concorda: na recuperação MTEB multilíngue, o 270M marcou 66,4, à frente de todos os outros modelos com menos de 500 milhões de parâmetros testados, inclusive os da IBM. O 0.6B teve cerca de 230.000 downloads no Hugging Face no último mês, e o 27B cerca de 7.450.
O 27B é um carro-chefe de nível de pesquisa. Com 27 bilhões de parâmetros, precisa de cerca de 54 GB só para os pesos em BF16, seus vetores de 5.376 dimensões ocupam cinco vezes o espaço dos 1.024 do 0.6B, e ele só trabalha com texto. A maioria das equipes vai usá-lo como professor ou como apoio de reranking offline, e não como o modelo por trás de cada consulta.
O porém: a Microsoft não oferece endpoint hospedado, então não há opção de pagamento por token e você o roda por conta própria, no Azure pelo Foundry ou em outro lugar. As consultas precisam de uma instrução de tarefa de uma frase ou a precisão cai, a ficha não menciona nenhuma forma de encurtar os vetores, e os números do leaderboard são execuções da Microsoft com os prompts que ela publicou.
Nossa opinião: Harrier 0.6B é o modelo de embeddings de texto multilíngue a testar primeiro com seus próprios dados em 2026; recorra ao 27B só se alguns pontos de recall valerem uma GPU grande.
Onde ele se destaca
Um engenheiro de busca num marketplace europeu com anúncios em 20 idiomas
Permitir que compradores busquem no próprio idioma e encontrem anúncios escritos em outro
Gere os embeddings dos anúncios com o harrier-oss-v1-0.6b numa única GPU e codifique as consultas com o prompt web_search_query; vetores de 1.024 dimensões mantêm o índice enxuto, e a MIT evita qualquer revisão de licença.
Uma equipe de ML num banco criando um assistente interno de conhecimento
Melhorar a qualidade da recuperação sem enviar documentos a uma API de embeddings
Hospede o 0.6B ou o 270M em hardware existente, ou implante a partir do catálogo do Foundry dentro do tenant Azure do banco; os documentos nunca saem da capacidade de processamento do próprio banco.
Um grupo de pesquisa criando um modelo de embeddings para sua área
Gerar rótulos de treino para um modelo menor no seu campo
Use o 27B offline como professor, o papel que a Microsoft deu a ele nos Harrier menores, para pontuar pares de consulta e documento, e depois ajuste um modelo compacto para produção.
Antes de decidir
- Configuração
- pip install sentence-transformers, carregue microsoft/harrier-oss-v1-0.6b e codifique as consultas com prompt_name='web_search_query' (ou um prompt próprio 'Instruct: ... Query:') e os documentos sem prompt.
- Integrações
- Sentence Transformers e Transformers; o pacote mteb com os prompts de avaliação publicados; implantação em um clique do Hugging Face para o Microsoft Foundry.
- Dados e privacidade
- Licença MIT, então os pesos podem ser hospedados e modificados livremente; os documentos ficam no seu hardware. A Microsoft diz que os dados de treino incluíram exemplos sintéticos gerados pelo GPT-5.
- Custo em escala
- Os pesos são gratuitos. O 270M e o 0.6B rodam em GPUs modestas; o 27B precisa de cerca de 54 GB de memória de acelerador em BF16 antes das ativações, e seus vetores ocupam 5,25 vezes o espaço dos do 0.6B.
- Limites
- Só texto; 32.768 tokens por entrada; com pooling do último token, o lado do preenchimento importa se você não usar o Sentence Transformers; as consultas precisam de uma instrução; tamanhos de vetor fixos de 640, 1.024 ou 5.376.
O que é bom
- 27B em primeiro no MTEB v2 multilíngue com 74,3 (6 de abril de 2026)
- 0.6B com 69,0 e 270M com 66,5 lideram suas categorias de tamanho
- Licença MIT nos três tamanhos
- Entrada de 32.768 tokens, mais de 100 idiomas
O que não é
- Só texto
- Sem API hospedada da Microsoft
- O 27B precisa de cerca de 54 GB para os pesos e guarda vetores de 5.376 dimensões
- As consultas precisam de uma instrução
- Sem redução de vetores documentada
Ideal para
Equipes que hospedam a própria busca de texto multilíngue e querem a melhor precisão aberta por parâmetro sem amarras de licença.
Alternativas ao Harrier-OSS-v1 (270M, 0.6B, 27B)
Harrier-OSS-v1 (270M, 0.6B, 27B): perguntas frequentes
- Harrier-OSS-v1 (270M, 0.6B, 27B) vale a pena?
- Harrier é o modelo de embeddings de texto multilíngue aberto mais preciso no leaderboard que importa, e seus tamanhos pequenos são a parte mais interessante. Damos nota 4.5 de 5.
- Quanto custa Harrier-OSS-v1 (270M, 0.6B, 27B)?
- Gratuito sob MIT. A Microsoft não oferece API hospedada; os modelos podem ser implantados na sua própria capacidade do Azure a partir do catálogo do Foundry, cobrada como processamento comum.
- Quais são as desvantagens de Harrier-OSS-v1 (270M, 0.6B, 27B)?
- Só texto; sem API hospedada da Microsoft; o 27B precisa de cerca de 54 GB para os pesos e guarda vetores de 5.376 dimensões; as consultas precisam de uma instrução; sem redução de vetores documentada.
- Para quem Harrier-OSS-v1 (270M, 0.6B, 27B) é indicado?
- Equipes que hospedam a própria busca de texto multilíngue e querem a melhor precisão aberta por parâmetro sem amarras de licença.
- Quanto custa Harrier-OSS-v1 (270M, 0.6B, 27B) para uma equipe ou em produção?
- Os pesos são gratuitos. O 270M e o 0.6B rodam em GPUs modestas; o 27B precisa de cerca de 54 GB de memória de acelerador em BF16 antes das ativaç ões, e seus vetores ocupam 5,25 vezes o espaço dos do 0.6B.
- Harrier-OSS-v1 (270M, 0.6B, 27B) é seguro para dados da empresa?
- Licença MIT, então os pesos podem ser hospedados e modificados livremente; os documentos ficam no seu hardware. A Microsoft diz que os dados de treino incluíram exemplos sintéticos gerados pelo GPT-5.
- Quais são as melhores alternativas ao Harrier-OSS-v1 (270M, 0.6B, 27B)?
- As alternativas mais próximas que analisamos são Qwen3-Embedding and Qwen3-Reranker, Nemotron 3.5 Embed (1B and 8B), Granite Embedding Multilingual R2 (311M and 97M), EmbeddingGemma 2 e Jina Embeddings v5.
Respostas verificadas em 7 de nov. de 2026.
Você faz o Harrier-OSS-v1 (270M, 0.6B, 27B)? Mostre esta nota no seu site
