embedder_collection
Sprachmodelle für Chat, Wissen und Alltag — die Klassiker für den eigenen Rechner.
Update Lizenz nicht angegeben
Läuft das auf deinem Rechner?
Was kann es?
embedder_collection wandelt Texte in numerische Vektoren um, damit du semantische Ähnlichkeiten messen kannst – etwa für Suche, Clustering oder Retrieval-Augmented Generation (RAG).
Stärken
Als Sammlung von Embedding-Modellen kann man je nach Aufgabe das passende Modell auswählen, ohne alles neu nachtrainieren zu müssen.
Grenzen
Da weder Parameterzahl noch Lizenz klar dokumentiert sind, fehlt Absicherung bezüglich Herkunft, Genauigkeit und rechtlicher Freigabe – vor produktivem Einsatz sollte man das unbedingt selbst prüfen.
Für wen?
Für Entwickler, die lokale semantische Suche oder RAG-Funktionalität aufbauen wollen und dazu eine Auswahl an Embedding-Modellen brauchen.
So startest du es
Jeder Befehl ist fertig für dieses Modell: kopieren und in die Konsole einfügen.
GGUF-Fassung vorhanden: Ollama lädt es automatisch von Hugging Face (wahlweise die passende Größe).
Am einfachsten — fertig in 30 Sekunden.
ollama run hf.co/kalle07/embedder_collectionFür alle, die lieber klicken — kostenlos.
lms get kalle07/embedder_collectionNach dem Download — Maximum an Tempo.
llama-cli -m embedder_collection-Q4_K_M.gguf # Dateiname aus dem Download-OrdnerBesonderheiten
Was dieses Modell ausmacht — geprüft aus den offiziellen Angaben (⟳ gerade eben (16.10. 19:59 UTC)).
Alle Angaben stammen aus den offiziellen Quellen (Hugging Face) — wir hosten keine Modelle.
Wo bekommst du es?
Wir hosten nichts — hier geht es direkt zur Quelle. Die Anleitung unten zeigt dir Schritt für Schritt, wie du das Modell startest.
Auf Hugging Face herunterladen Bei Ollama suchen Bei LM Studio suchen
Größen & Quants
Kleinere Datei = weniger Speicherbedarf, dafür minimal geringere Qualität. Der Check oben zeigt dir für jede Variante, ob sie auf deinem Rechner läuft — entscheiden musst nur du.
| Variante | Dateigröße | Speicherbedarf (grob) |
|---|---|---|
| bce-embedding-base_v1-q8_0 | 0,3 GB | 2,3 GB |
| cross-en-de-es-roberta-sentence-transformer-q8_0 | 0,3 GB | 2,3 GB |
| cross-en-de-fr-roberta-sentence-transformer-q8_0 | 0,3 GB | 2,3 GB |
| cross-en-de-roberta-sentence-transformer-fix-q8_0 | 0,3 GB | 2,3 GB |
| german-roberta-sentence-transformer-v2-q8_0 | 0,3 GB | 2,3 GB |
| jina-embeddings-v2-base-de-f16 | 0,3 GB | 2,3 GB |
| paraphrase-multilingual-mpnet-base-v2-q8_0 | 0,3 GB | 2,3 GB |
| bge-large-en-v15-q8_0 | 0,4 GB | 2,4 GB |
| bge-large-mpnet-base-all-nli-triplet-final-q8_0 | 0,4 GB | 2,4 GB |
| bge-m3_en_ru-q8_0 | 0,4 GB | 2,4 GB |
| gist-large-embedding-v0-Q8_0 | 0,4 GB | 2,4 GB |
| jina-embeddings-558M-v3-F16.Q4_K_M | 0,4 GB | 2,4 GB |
| … und 2 weitere Varianten — die komplette Liste steht im HF-Repo (Link oben) | ||
So startest du embedder_collection
- Herunterladen: Über den HF-Button oben (oder direkt in Ollama/LM Studio suchen).
- Starten: Unsere Anleitung zeigt dir die einfachsten Wege — LM Studio (Klick-Oberfläche) oder Ollama (ein Befehl).
- Chatten: Modell auswählen, lostippen. Ohne Internet, ohne Anmeldung.
Gleiches Modell lieber als API nutzen? Preisvergleich öffnen →
Häufige Fragen
Läuft embedder_collection auf meinem Rechner?
Das zeigt dir der Check oben — Variante für Variante. Typische Größen: die übliche kompakte Variante wiegt 0,4 GB, die kleinste 0,3 GB — rechne grob ~2 GB Puffer dazu.
Was kostet embedder_collection?
Nichts — das Modell ist kostenlos herunterladbar. Kosten entstehen nur für Strom oder eine gemietete GPU, falls dein Rechner zu klein ist.
Ähnliche Modelle: bge-base-en-v1.5-course-recommender-v5 · Bio_ClinicalBERT · stanford-deidentifier-base · Zurück zur Übersicht
Daten: Hugging Face API · ⟳ gerade eben (16.10. 19:59 UTC). Wir hosten keine Modelle — alle Links führen zu den offiziellen Quellen.