Embedding 模型在信息检索、文本处理、检索增强生成（RAG）中有着重要的应用。然而，当前主流的 Embedding 模型如 NV-Embed、Qwen3-Embedding 的训练或是需要上亿数据量级进行对比学习加训，或是依赖昂贵且没有开源的合成数据，给较小规模的研究团队复现、改进 Embedding 模型的训练算法带来了极大困难。
我们推出 F2LLM（Foundation to Feature Large Language Models），包含 0.6B、1.7B、4B 大小的一系列模型，仅使用六百万数据直接对基座模型进行微调，在 MTEB 榜单上达到业界领先水平，且完全开源。
▍
简介
本文源于蚂蚁集团与上海交通大学的校企合作项目，模型、数据、训练代码全部开源：
arXiv：https://arxiv.org/abs/2510.02294
GitHub：https://github.com/codefuse-ai/CodeFuse-Embeddings
HuggingFace：https://huggingface.co/collections/codefuse-ai/codefuse-embeddings-68d4b32da791bbba993f8d14
与其他业界领先 Embedding 模型相比，F2LLM 不仅完全开源，而且仅使用六百万高质量、非合成数据，在模型大小、训练开销、Embedding 性能上达到了最佳平衡，是作为未来 Embedding 研究 baseline 的理想选择：
▍
数据
F2LLM 的训练数据来自 60 个开源数据集，我们将这些数据集统一整理成了 3 种格式：检索（retrieval），分类（classification），和聚类（clustering）。
在我们开源的数据中，每条检索类与聚类数据包含一条查询（query）、一个段落（passage）、24 个难负样本（hard negative）。每条分类数据同样包含一条查询、一个段落，但只有一个难负样本。
检索数据
检索数据包含开源的检索、摘要、自然语言推理（NLI）、语义相似度（STS）、复述（paraphrase）数据集。
对摘要数据，我们将每条数据的摘要作为查询，对应原文作为段落；
对 NLI 数据，我们将前提（premis）作为查询，蕴含的假设（entailed hypothesis）作为段落，中立或矛盾的推理（neutral/contradictory hypothesis）作为难负样本；
对 STS 数据，我们将相似度大于 4 分的文本对分别最为查询-段落和段落-查询，构建两对样本；
对复述数据，我们从互为复述的文本对构建查询-段落；
对以上所有检索数据，我们使用 Qwen3-Embedding-0.6B 从各数据集中额外挖掘难负样本，并对过程进行严格把控，确保数据质量：
首先计算查询与段落的相关性分数
从源数据集中召回 100 条与查询最相关的段落作为候选负样本，但除去最相关的五条以避免假阴性的负样本
除去相关性大于 0.8 的候选负样本
除去相关性大于正样本相关性 95% 的候选负样本
从剩余候选负样本中选择相关性最高的 24 条作为难负样本，若剩余候选负样本不足 24 条则删除该数据
分类数据
分类数据仅包含 5 个开源二分类数据集。我们将每条数据的输入作为查询，对应类的文本标签作为段落，另一类的文本标签作为负样本。
聚类数据
聚类数据包含开源的聚类数据以及多分类数据。对于每一条输入，我们从同一类中随机采样一条作为段落，从所有其他类中最集采样 24 条作为负样本。
▍
训练
我们使用标准的对比学习损失直接微调 Qwen3 基座模型。损失函数由所有数据的难负样本对比损失
其中，
在训练过程中，我们将所有数据集混合在一起进行训练，但通过特别设计的数据加载器确保在每一步优化过程中，每个训练进程中的数据全部来自单一数据集。对于检索类数据，
▍
测评
在 MTEB 英语榜单上，F2LLM-4B 总体排名第 7，在 4B 大小模型中排名仅次于使用上亿数据训练的 Qwen3-Embedding 4B。F2LLM-1.7B 更是在 1-2B 模型中排名第一，成为算力受限应用场景下的理想选择。在榜单上的七大类任务中，F2LLM 家族在聚类任务上表现尤其出色，4B 模型的性能达到 68.54 ，在所有模型中创下新高。
