蚂蚁集团与上海交通大学联合提出 3D-ML 文本嵌入训练框架，训练数据、模型权重与代码全部开源，为开源社区提供可复现的全球公平 AI 构建蓝图。相关论文已被 ICML 2026 接收。
文本嵌入（Text Embedding）是现代 AI 系统的基础组件，驱动着语义搜索、检索增强生成（RAG）等众多下游应用。然而，当前领域的发展正面临三重危机：
1.计算成本高昂：主流方案转向大型解码器模型，训练与推理成本极为高昂；
2.语言覆盖严重失衡：研究资源高度集中在英语等少数高资源语言，波兰语、越南语、波斯语等语言的可用模型极为匮乏（见下表）；
3.透明度严重不足：许多顶尖模型以闭源 API 或仅开放权重（不开放训练细节）的形式发布，严重阻碍了可复现研究的推进。
MTEB 榜单
有完整结果的模型数量（截至2026年初）
英语（English）
154
多语言（Multilingual）
146
波兰语（Polish）
1
越南语（Vietnamese）
17
日语（Japanese）
11
波斯语（Persian）
22
以波兰语为例，MTEB 榜单上仅有 1 个模型提交了完整结果，这与英语的 154 个形成了鲜明反差。
为了正面回应这一困境，蚂蚁集团与上海交通大学的研究团队提出了ML-Embed。
核心创新：3D 套娃学习框架（3D-ML）
本文的核心方法论贡献是3-Dimensional Matryoshka Learning（3D-ML），该框架在模型全生命周期的三个维度上同时提供效率优化——如同俄罗斯套娃一般层层嵌套：
嵌入层在多语言大词表模型中往往占据大量参数。例如，在基于 Qwen3-0.6B 微调的嵌入模型中，嵌入层参数量占总参数量的1/4。
MEL 通过 SVD 将原始嵌入矩阵 分解为两个低秩矩阵 和 的乘积，并在训练中动态采样不同的子秩，强迫模型将最关键的信息压缩到前几个维度。
•兼容模式：训练完成后将 还原为标准嵌入矩阵，与现有推理框架无缝兼容；
•效率模式：直接部署低秩分解矩阵，大幅压缩模型体积，特别适合端侧部署。
消融实验表明，即便在标准模型上做推理时 SVD 压缩，MEL 训练的模型也表现出极强的鲁棒性——嵌入层的秩从 1024 压缩到 64 时仍能保持良好性能（69.68→64.30），而未经 MEL 训练的基线模型在对嵌入层秩轻微压缩（1024→960）时性能即灾难性崩溃（69.68→53.25）。
维度二：套娃层级学习（MLL）——推理效率
MLL 在多个中间层同时施加训练损失，使模型天然具备"早退"能力。推理时，只需修改num_hidden_layers配置，即可将完整模型一键截断为更浅的版本，无需重新训练或剪枝。
消融结果表明：MLL + MEL 联合使用时，参数量约 170M 的 4 层模型可达到与 170M 单层基线模型高出 15 个百分点的性能，且在相同性能水平下体积缩小3 倍。
维度三：套娃表征学习（MRL）——存储效率
MRL 确保嵌入向量的前缀子集本身也是有效的低维表示，允许用户按需截断向量维度，在sentence-transformers等流行库中仅需一个参数即可开启，零代码改动。
统一训练目标
三个维度统一为一个损失函数，对所有选定的层（MLL）和所有 MRL 维度同步优化：
数据：真正面向全球的多语言语料库
模型能力的上限在于数据。研究团队从121 个公开数据源汇聚了5000 万条训练样本，覆盖282 种自然语言（ISO-639-3 编码）和40 余种编程语言。
与其他开源数据集相比，本文数据的语言多样性优势十分突出：
• KaLM-Embedding 的数据高度集中于中文（44.4%）和英文（49.4%），多语言仅占 6.3%；
• 本文数据集中英文约占 37%，西班牙语、法语、俄语、阿拉伯语等均有大量覆盖，且包含大量低资源语言长尾数据。
数据集同样全面涵盖多种任务类型：双语文本挖掘（29.2%）、问答（28.9%）、指令数据（10.6%）、标题匹配（8.2%）等，并统一格式化为检索、聚类、二分类三种对比学习范式。
训练采用两阶段策略：第一阶段在 2700 万检索样本上建立语义基础；第二阶段在 830 万混合样本上加入任务指令精调，总数据量仅为同类顶尖模型的1/6 至 1/20。
模型
数据开源
第一阶段
第二阶段
Qwen3-Embedding
150M
12M
EmbeddingGemma
153M
10M
KaLM-Embedding
100M
5M
ML-Embed（本文）27M8M
效果：在17项MTEB榜单上9项刷新最高分
ML-Embed 系列共发布6 个模型（140M / 330M / 600M / 1.7B / 4B / 8B），均基于 Qwen3 系列底座训练。
ML-Embed-8B 在 17 项 MTEB 基准中的 9 项刷新最高分，且成绩尤为集中在以前受忽视的语言：
•波兰语：+22.89 分（73.84 vs. 50.95）
•越南语：+6.88 分
•印地语：+6.61 分
•德语：+6.47 分
•日语：+4.63 分
•荷兰语：+4.26 分
在英语和多语言等高度竞争的基准上，ML-Embed 系列同样达到榜单 Top-5 水平，且各规格模型展现出清晰一致的规模扩展规律。
开源先行：F2LLM-v2 已登顶多个榜单，社区反响热烈
值得一提的是，本论文使用相同底座与数据（但不含 3D-ML 训练方法）的基线模型系列，在论文审稿期间以F2LLM-v2的名称公开发布，并登顶多个 MTEB 榜单，在开源社区中引发广泛关注。
截至 2026 年 6 月，F2LLM-v2 系列在 HuggingFace 上的下载量持续攀升，F2LLM-v2-14B 在过去一个月的下载量超过十万次：
这一数据充分说明，开源社区对高质量多语言嵌入模型存在巨大需求，而 ML-Embed 与 F2LLM-v2 的发布正满足这一需求。
开源资源一览
本研究秉承完全开放的原则，向社区提供完整的可复现资源：
资源
链接
代码
https://github.com/codefuse-ai/CodeFuse-Embeddings
模型 & 数据集
https://huggingface.co/collections/codefuse-ai/codefuse-embeddings
论文
https://arxiv.org/abs/2605.15081
F2LLM-v2 技术报告
https://arxiv.org/abs/2603.19223
全系列模型、完整训练数据以及训练代码全部开源，任何研究者与企业均可在此基础上进行复现、改进与二次开发。
为何这对开源社区意义重大？
ML-Embed 的开源不仅仅是发布几个模型权重，而是提供了一套端到端可复现的系统性解决方案：
方法层面：3D-ML 框架以极低的代码侵入性提供全生命周期效率优化，可直接应用于开发者自己的训练流程，并与 HuggingFacetransformers、sentence-transformers等主流框架完全兼容。
数据层面：涵盖 282 种语言的大规模多语言训练集的开放，直接填补了开源社区在低资源语言嵌入数据方面的巨大空白，可作为未来多语言 NLP 研究的标准化数据平台。
公平性层面：论文用实验证明，对波兰语、越南语等长期被忽视的语言，仅凭充分的数据覆盖与合理的训练框架，就能实现超过 20 个百分点的性能飞跃——公平不是性能的代价，而是可以兼得的目标。
可复现性层面：在训练数据量仅为相似模型 1/6 的前提下达到或超越其性能，为资源有限的研究机构和开发者提供了切实可行的参考路径。
小结
ML-Embed 是一项从问题定义到解决方案都充分体现"开放精神"的工作：它用开源数据训练、用开源框架训练、开源全部成果，并将研究矛头指向那些最被边缘化的语言。
对于开源社区而言，ML-Embed 不仅是一套可以直接使用的高性能嵌入模型，更是一份构建全球公平、计算高效AI系统的完整蓝图。
热门跟贴