# Pocket Embed 22M: компактный поиск по английским текстам

Источник: https://modelium.tech/zhurnal/pocket-embed-22m-128-local-english-search/

Pocket Mind выложила Pocket Embed 22M — модель для поиска похожих по смыслу английских фрагментов. Её поисковые векторы занимают втрое меньше места, чем у исходной MiniLM, но качество на авторских тестах немного ниже; для русских текстов модель не оценивалась.

Если у вас много коротких заметок на английском и вы ищете их не по точным словам, а по смыслу, для этого появился новый локальный вариант: Pocket Mind открыла репозиторий Pocket Embed 22M 11 октября 2026 года. Модель переводит фразу в набор чисел — **вектор**, по которому программа находит похожие записи. Её карточка обещает более компактное хранение таких векторов, но не ускорение самой модели. [s1](#src-s1)

## Что изменилось и кому это полезно

Pocket Embed 22M оставляет исходную англоязычную MiniLM-модель и добавляет небольшую обученную ступень: вместо 384 чисел на фразу она выдаёт 128. Если хранить числа в формате float32, отдельный вектор занимает 512 вместо 1536 байт. Это втрое меньше места **для самих векторов**, но индекс содержит и другие данные; загрузка модели и объём памяти компьютера от этого автоматически втрое не сокращаются. В закреплённом репозитории есть основной файл весов и отдельный файл этой ступени, а в конфигурации указано преобразование 384 → 128. [s1](#src-s1)[s2](#src-s2)

Задача модели — поиск по коротким английским фрагментам, например поиск заметки о ремонте велосипеда по вопросу «Where can I fix my bicycle?». Это не чат-модель и не готовое приложение для поиска по всем файлам на компьютере. Русский язык авторы не оценивали; для русскоязычной библиотеки выбирать этот вариант без собственной проверки не стоит. [s1](#src-s1)

## Что известно о качестве

По данным **авторов**, в двух контрольных англоязычных наборах ArguAna и SciDocs средняя оценка поиска сохранила 95,9% уровня исходных 384-мерных векторов. Это не универсальная точность: речь о nDCG@10 — оценке порядка первых десяти найденных результатов на этих наборах. В ArguAna показатель составил 0,4932 против 0,5041 у исходной модели, в SciDocs — 0,1979 против 0,2164. Другие два набора в отчёте — диагностические, их нельзя представлять как ещё два независимых контрольных теста. [s1](#src-s1)[s3](#src-s3)

Авторы также сравнили новую модель с простым обрезанием исходных векторов до 128 чисел. На SciDocs интервал неопределённости выигрыша включает ноль, так что уверенного преимущества именно там не показано. CPU-замер автора — 24,4 фрагмента в секунду против 25,0 у исходной модели на небольшом тесте; заявления об ускорении обработки нет. Редакция Modelium модель не запускала и замеры не воспроизводила. [s1](#src-s1)[s3](#src-s3)[s4](#src-s4)

## Как попробовать и когда не стоит переходить

**Уровень: требуется Python.** Один путь описан прямо в карточке Pocket Mind: установить указанные там версии `sentence-transformers` и `transformers`, затем запустить приведённый автором пример на CPU с двумя короткими английскими фразами и вопросом про велосипед. В примере нужно проверить, что возвращаются два вектора по 128 чисел и что выбранная заметка действительно отвечает на вопрос. Для установки и первой загрузки модели понадобится интернет; этот пример редакцией не воспроизводился, минимальная оперативная память в источнике не указана. [s1](#src-s1)

Если у вас уже есть индекс из исходной MiniLM, новые векторы с ним несовместимы: всю коллекцию придётся пересчитать. Длинные документы нужно заранее делить на фрагменты; предел примера автора — 256 частей слова на вход. Для русского языка, длинных файлов или критичных решений сначала проверьте результаты на своих данных, а не полагайтесь на цифры чужого теста. [s1](#src-s1)

В репозитории указаны **разные условия для разных частей**: исходные веса MiniLM — Apache-2.0, новая обученная ступень — CC BY-SA 4.0, исследовательский код авторы обозначили Apache-2.0. Это не один пакет целиком под Apache-2.0; условия атрибуции и распространения адаптаций следует читать отдельно. [s1](#src-s1)[s5](#src-s5)[s6](#src-s6)

**Следующий шаг:** откройте [карточку Pocket Embed 22M](https://huggingface.co/pocket-mind/pocket-embed-22m-128), если нужны компактные векторы для английского поиска. Для других задач сравните [модели эмбеддингов для русского текста](https://modelium.tech/zhurnal/embedding-modeli-dlya-russkogo-rag/) и [основы локального Qdrant](https://modelium.tech/zhurnal/qdrant-lokalno/). Дата сверки источников: 11 октября 2026 года; ревизия модели `c30e744250ec85ab2fa90594fafb13d0e04c0390`. [s1](#src-s1)[s2](#src-s2)

## Источники

1. [Pocket Mind — Pocket Embed 22M, model card (revision c30e744)](https://huggingface.co/pocket-mind/pocket-embed-22m-128/blob/c30e744250ec85ab2fa90594fafb13d0e04c0390/README.md) — получено 2026-10-11
2. [Hugging Face API — Pocket Embed pinned model and repository tree](https://huggingface.co/api/models/pocket-mind/pocket-embed-22m-128/tree/c30e744250ec85ab2fa90594fafb13d0e04c0390?recursive=true&expand=true) — получено 2026-10-11
3. [Pocket Mind — results.json and confirmation sets](https://huggingface.co/pocket-mind/pocket-embed-22m-128/blob/c30e744250ec85ab2fa90594fafb13d0e04c0390/results.json) — получено 2026-10-11
4. [Pocket Mind — efficiency.json, CPU comparison](https://huggingface.co/pocket-mind/pocket-embed-22m-128/blob/c30e744250ec85ab2fa90594fafb13d0e04c0390/efficiency.json) — получено 2026-10-11
5. [Pocket Mind — NOTICE and component attribution](https://huggingface.co/pocket-mind/pocket-embed-22m-128/blob/c30e744250ec85ab2fa90594fafb13d0e04c0390/NOTICE) — получено 2026-10-11
6. [Pocket Mind — CC BY-SA 4.0 projection license](https://huggingface.co/pocket-mind/pocket-embed-22m-128/blob/c30e744250ec85ab2fa90594fafb13d0e04c0390/LICENSE) — получено 2026-10-11