Snowflake Arctic Embed L v2.0
Snowflake · Snowflake/snowflake-arctic-embed-l-v2.0
Licença dos pesos: Apache 2.0 · código e componentes podem ter outros termos
Qualidade
MTEB (Multilingual, v2)
Média por tarefa · 0 a 100 · maior é melhor · este modelo em destaque
- Cor = publicador
Fonte: dataset de resultados do MTEB (execuções independentes, CC0) · informado pelo publicador quando o model card é a única fonte · outros benchmarks e versões não entram
| MTEB (Multilingual, v2) | mean(task) · 1024d | 57,03 | execução independente |
|---|---|---|---|
| MTEB (eng, v2) | mean(task) · 1024d | 63,60 | execução independente |
Informado pelo publicador
- MTEB AmazonCounterfactualClassification (en-ext) (en-ext; test; main_score)
- 67,039Classification
- MTEB AmazonCounterfactualClassification (en) (en; test; main_score)
- 65,597Classification
- MTEB AmazonPolarityClassification (default) (test; main_score)
- 74,257Classification
- MTEB AmazonReviewsClassification (en) (en; test; main_score)
- 34,946Classification
- MTEB ArguAna (default) (test; main_score)
- 59,146Retrieval
- MTEB ArxivClusteringP2P (default) (test; main_score)
- 43,972Clustering
- MTEB ArxivClusteringS2S (default) (test; main_score)
- 34,776Clustering
- MTEB AskUbuntuDupQuestions (default) (test; main_score)
- 63,352Reranking
Todos os resultados informados
- MTEB BIOSSES (default) (test; main_score)
- 87,288STS
- MTEB Banking77Classification (default) (test; main_score)
- 81,815Classification
- MTEB BiorxivClusteringP2P (default) (test; main_score)
- 35,093Clustering
- MTEB BiorxivClusteringS2S (default) (test; main_score)
- 30,221Clustering
- MTEB CQADupstackAndroidRetrieval (default) (test; main_score)
- 55,799Retrieval
- MTEB CQADupstackEnglishRetrieval (default) (test; main_score)
- 53,681Retrieval
- MTEB CQADupstackGamingRetrieval (default) (test; main_score)
- 63,172Retrieval
- MTEB CQADupstackGisRetrieval (default) (test; main_score)
- 44,759Retrieval
- MTEB CQADupstackMathematicaRetrieval (default) (test; main_score)
- 32,823Retrieval
- MTEB CQADupstackPhysicsRetrieval (default) (test; main_score)
- 50,312Retrieval
- MTEB CQADupstackProgrammersRetrieval (default) (test; main_score)
- 47,769Retrieval
- MTEB CQADupstackRetrieval (default) (test; main_score)
- 46,103Retrieval
- MTEB CQADupstackStatsRetrieval (default) (test; main_score)
- 40,174Retrieval
- MTEB CQADupstackTexRetrieval (default) (test; main_score)
- 33,937Retrieval
- MTEB CQADupstackUnixRetrieval (default) (test; main_score)
- 46,831Retrieval
- MTEB CQADupstackWebmastersRetrieval (default) (test; main_score)
- 45,539Retrieval
- MTEB CQADupstackWordpressRetrieval (default) (test; main_score)
- 38,440Retrieval
- MTEB ClimateFEVER (default) (test; main_score)
- 43,482Retrieval
- MTEB DBPedia (default) (test; main_score)
- 43,37Retrieval
- MTEB EmotionClassification (default) (test; main_score)
- 42,53Classification
- MTEB FEVER (default) (test; main_score)
- 91,91Retrieval
- MTEB FiQA2018 (default) (test; main_score)
- 45,49Retrieval
- MTEB HotpotQA (default) (test; main_score)
- 68,151Retrieval
- MTEB ImdbClassification (default) (test; main_score)
- 72,544Classification
- MTEB MSMARCO (default) (dev; main_score)
- 44,856Retrieval
- MTEB MTOPDomainClassification (en) (en; test; main_score)
- 93,532Classification
- MTEB MTOPIntentClassification (en) (en; test; main_score)
- 67,791Classification
- MTEB MassiveIntentClassification (en) (en; test; main_score)
- 71,456Classification
- MTEB MassiveScenarioClassification (en) (en; test; main_score)
- 76,217Classification
- MTEB MedrxivClusteringP2P (default) (test; main_score)
- 31,392Clustering
- MTEB MedrxivClusteringS2S (default) (test; main_score)
- 28,241Clustering
- MTEB MindSmallReranking (default) (test; main_score)
- 29,580Reranking
- MTEB NFCorpus (default) (test; main_score)
- 35,344Retrieval
- MTEB NQ (default) (test; main_score)
- 63,673Retrieval
- MTEB QuoraRetrieval (default) (test; main_score)
- 89,021Retrieval
- MTEB RedditClustering (default) (test; main_score)
- 51,209Clustering
- MTEB RedditClusteringP2P (default) (test; main_score)
- 60,373Clustering
- MTEB SCIDOCS (default) (test; main_score)
- 20,239Retrieval
- MTEB SICK-R (default) (test; main_score)
- 73,989STS
- MTEB STS12 (default) (test; main_score)
- 71,227STS
- MTEB STS13 (default) (test; main_score)
- 80,441STS
- MTEB STS14 (default) (test; main_score)
- 75,104STS
- MTEB STS15 (default) (test; main_score)
- 82,868STS
- MTEB STS16 (default) (test; main_score)
- 83,487STS
- MTEB STS17 (en-en) (en-en; test; main_score)
- 84,544STS
- MTEB STS17 (en-tr) (en-tr; test; main_score)
- 63,631STS
- MTEB STS17 (it-en) (it-en; test; main_score)
- 76,881STS
- MTEB STS17 (es-en) (es-en; test; main_score)
- 71,049STS
- MTEB STS17 (nl-en) (nl-en; test; main_score)
- 78,271STS
- MTEB STS17 (fr-en) (fr-en; test; main_score)
- 76,275STS
- MTEB STS17 (en-de) (en-de; test; main_score)
- 79,311STS
- MTEB STS17 (en-ar) (en-ar; test; main_score)
- 61,050STS
- MTEB STS22 (en) (en; test; main_score)
- 68,062STS
- MTEB STS22 (pl-en) (pl-en; test; main_score)
- 76,848STS
- MTEB STS22 (zh-en) (zh-en; test; main_score)
- 70,789STS
- MTEB STS22 (es-en) (es-en; test; main_score)
- 78,591STS
- MTEB STS22 (de-en) (de-en; test; main_score)
- 55,110STS
- MTEB STSBenchmark (default) (test; main_score)
- 79,189STS
- MTEB SciDocsRR (default) (test; main_score)
- 78,750Reranking
- MTEB SciFact (default) (test; main_score)
- 70,586Retrieval
- MTEB SprintDuplicateQuestions (default) (test; main_score)
- 96,542PairClassification
- MTEB StackExchangeClustering (default) (test; main_score)
- 63,404Clustering
- MTEB StackExchangeClusteringP2P (default) (test; main_score)
- 36,289Clustering
- MTEB StackOverflowDupQuestions (default) (test; main_score)
- 51,458Reranking
- MTEB SummEval (default) (test; main_score)
- 30,514Summarization
- MTEB TRECCOVID (default) (test; main_score)
- 83,866Retrieval
- MTEB Touche2020 (default) (test; main_score)
- 29,499Retrieval
- MTEB ToxicConversationsClassification (default) (test; main_score)
- 65,864Classification
- MTEB TweetSentimentExtractionClassification (default) (test; main_score)
- 59,663Classification
- MTEB TwentyNewsgroupsClustering (default) (test; main_score)
- 43,231Clustering
- MTEB TwitterSemEval2015 (default) (test; main_score)
- 67,009PairClassification
- MTEB TwitterURLCorpus (default) (test; main_score)
- 85,459PairClassification
Valores como impressos na ficha, com a configuração do próprio publicador. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo
Qualidade × memória
Sem par qualidade × memória comparável
As estimativas de memória de embeddings ficam em poucos GB, então um gráfico qualidade × memória não separaria estes modelos; o MTEB aparece acima.
Considere Snowflake Arctic Embed L v2.0 para busca semântica e recuperação: gera vetores de 1.024 dimensões a partir de texto.
O publicador não informa memória; a lista de hardware usa a estimativa de ~3 GB, um teto e não uma medição. Veja o formato de prompts em Como rodar. PT-BR confirmado por uma fonte.
Roda em
Cabe na memória rápida 119
A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.
Mostrar todos os 119
Perfis de hardware agrupados pela estimativa de planejamento de embeddings (pesos de 8 bits, 20% de margem, 2 GB de reserva). Não é compatibilidade medida.
Velocidade medida
Nenhuma medição publicada para este checkpoint
A vazão (textos por segundo) só aparece quando uma fonte a publica com hardware, build e configuração. Nunca é estimada.
Como rodar
A estimativa de planejamento usa pesos de 8 bits, 20% de margem e 2 GB de reserva; é um teto, não uma medição.
- Roda em
- Ollama, Sentence Transformersfonte
- Prompts de consulta/documento
- Somente consultas: prefixo “query: ”. Documentos: sem prefixo (model card).
- Idiomas · PT-BR
- 74 idiomas nos metadados do card, português incluídoPT-BR confirmado por uma fonte
Formas documentadas de rodar
Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.
from sentence_transformers import SentenceTransformer
# Load the model
model_name = 'Snowflake/snowflake-arctic-embed-l-v2.0'
model = SentenceTransformer(model_name)
# Define the queries and documents
queries = ['what is snowflake?', 'Where can I get the best tacos?']
documents = ['The Data Cloud!', 'Mexico City of Course!']
# Compute embeddings: use `prompt_name="query"` to encode queries!
query_embeddings = model.encode(queries, prompt_name="query")
document_embeddings = model.encode(documents)
# Compute cosine similarity scores
scores = model.similarity(query_embeddings, document_embeddings)
# Output the results
for query, query_scores in zip(queries, scores):
doc_score_pairs = list(zip(documents, query_scores))
doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)
print("Query:", query)
for document, score in doc_score_pairs:
print(score, document)
import torch
from transformers import AutoModel, AutoTokenizer
model_name = 'Snowflake/snowflake-arctic-embed-l-v2.0'
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModel.from_pretrained(model_name, add_pooling_layer=False)
model.eval()
query_prefix = 'query: '
queries = ['what is snowflake?', 'Where can I get the best tacos?']
queries_with_prefix = ["{}{}".format(query_prefix, i) for i in queries]
query_tokens = tokenizer(queries_with_prefix, padding=True, truncation=True, return_tensors='pt', max_length=8192)
documents = ['The Data Cloud!', 'Mexico City of Course!']
document_tokens = tokenizer(documents, padding=True, truncation=True, return_tensors='pt', max_length=8192)
# Compute token embeddings
with torch.no_grad():
query_embeddings = model(**query_tokens)[0][:, 0]
document_embeddings = model(**document_tokens)[0][:, 0]
# normalize embeddings
query_embeddings = torch.nn.functional.normalize(query_embeddings, p=2, dim=1)
document_embeddings = torch.nn.functional.normalize(document_embeddings, p=2, dim=1)
scores = torch.mm(query_embeddings, document_embeddings.transpose(0, 1))
for query, query_scores in zip(queries, scores):
doc_score_pairs = list(zip(documents, query_scores))
doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)
#Output passages & scores
print("Query:", query)
for document, score in doc_score_pairs:
print(score, document)Detalhes técnicos
O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.
- Checkpoint / fonte
- Snowflake/snowflake-arctic-embed-l-v2.0
- Tarefa
- embeddings para busca (extração de características)
- Biblioteca na fonte
- Ollama, Sentence Transformers
- Licença dos pesos
- Apache 2.0
- Uso comercial
- Permitido Apache License 2.0 text (SPDX) · consultado em 2026-10-18texto da licença
- Base dos parâmetros
- 568M na tabela do card, dos quais 303M não são de embedding; total de safetensors no Hub: 567.754.752, lido em 2026-10-07.
- Anunciado
- 2024-12-04
O Ollama oferece como “snowflake-arctic-embed2” (568M). O card reporta truncamento para 256 dimensões com perda de qualidade abaixo de 3%; 1024 e 256 são os tamanhos tabulados.
Fontes
Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.
- Ficha do publicador
- Hugging Face model page / card · 2026-10-07
- Hugging Face API (parameters, licence, library) · 2026-10-07
- Ollama library (availability only) · 2026-10-07
- MTEB results dataset (CC0), scores computed by scripts/ingest-mteb-results.mjs · 2026-10-25
Fatos curados verificados: 2026-10-07. Cada valor cita sua fonte (a ficha do publicador ou o dataset de resultados do MTEB); estimativas vêm rotuladas como estimativas, e um valor que nenhuma fonte informa fica vazio. Um commit do repositório não é a data de lançamento do modelo.






























































