# Ruri v3 для MLX: три японских эмбеддера на Apple Silicon

Источник: https://modelium.tech/zhurnal/ruri-v3-mlx-japanese-search-apple-silicon/

28 сентября появились три неофициальные MLX-конверсии японских эмбеддеров Ruri v3 — 30M, 130M и 310M. Веса опубликованы на Hugging Face под меткой Apache 2.0; для локального поиска на Mac автор предлагает mlx-embeddings. Это не новые базовые модели и не результаты независимого тестирования: в примере автора префиксы запроса отличаются от документации исходной модели.

Ruri v3 для MLX: японский поиск на Apple Silicon

28 сентября 2026 года участник сообщества masahiroid разместил на Hugging Face три MLX-конверсии японских эмбеддеров Ruri v3: 30M, 130M и 310M. Это **не новый релиз исходных моделей** Nagoya University: оригинальные репозитории существуют с 2025 года. Новость — появление отдельных весов в формате MLX для локальной обработки японских текстов на Apple Silicon. Автор прямо называет конверсию неофициальной. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3) [s4](#src-s4)

## Что доступно

- `masahiroid/ruri-v3-30m-mlx`: BF16-файл `model.safetensors` и индекс весов; около 73,4 МБ на диске. [s1](#src-s1)

- `masahiroid/ruri-v3-130m-mlx`: BF16-файл и индекс; около 264,3 МБ на диске. [s2](#src-s2)

- `masahiroid/ruri-v3-310m-mlx`: BF16-файл и индекс; около 629,2 МБ на диске. [s3](#src-s3)

Это размеры опубликованных файлов, **не минимальные требования к объединённой памяти Mac**. Размеры проверены по манифестам Hugging Face, а не вычислены из названия модели. В каждой из трёх закреплённых ревизий API перечисляет файл весов, токенизатор, конфигурацию и индекс; индекс указывает на `model.safetensors`. Конверсия не заявлена как квантизация и не обещает прироста скорости или качества относительно оригинала. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

## Где это полезно

Сценарий — локальный семантический поиск по японским документам: преобразовать запрос и документы в векторы, затем ранжировать по косинусному сходству. Для большого архива сначала проверяют качество на собственных японских запросах, а не переносят цифры исходного бенчмарка на новую конверсию. У исходного Ruri v3 разные префиксы для задач: `検索クエリ: `для поискового запроса, `検索文書: `для документа, пустой префикс для общей семантики и `トピック: `для классификации/кластеризации. Это важно при сравнении с оригиналом и построении индекса. [s4](#src-s4)

В карточке MLX-версии показаны другие строки — `クエリ: `и `文章: `. Они **не совпадают** с префиксами, которые документирует команда исходной модели. Поэтому механически копировать пример карточки как сопоставимый с авторской оценкой качества нельзя: используйте префиксы оригинала и сравните результаты на собственной выборке. Мы не запускали веса и не измеряли точность или скорость на Mac. [s3](#src-s3) [s4](#src-s4)

## Как подступиться к проверке

Карточки конверсий предлагают установить `mlx-embeddings` и загрузить нужный репозиторий через `load(...)`, затем получить `output.text_embeds` посредством `generate(...)`. Например, начните с 30M-версии и небольшой размеченной пары «японский запрос — релевантный документ»; проверьте загрузку, размерность векторов и ранжирование, прежде чем перестраивать индекс. Публичный код `mlx-embeddings` содержит реализацию ModernBERT и нормализацию векторов, но сама публикация файлов и просмотр кода не являются подтверждением, что именно эти новые артефакты были нами запущены. Версия пакета PyPI на момент проверки — 0.1.0; конфигурации конверсий указывают `model_type: modernbert`. [s1](#src-s1) [s3](#src-s3) [s5](#src-s5) [s6](#src-s6)

Рядом появился неофициальный `ruri-v3-reranker-310m-mlx`, но его карточка предлагает тот же пример косинусного сходства эмбеддингов, что и у эмбеддера, тогда как конфигурация объявляет `ModernBertForSequenceClassification`, а индекс содержит веса `classifier`. Не считайте эту демонстрацию проверенным способом получить оценки реранкера; новость и рекомендации выше относятся **только к трём эмбеддерам**. [s7](#src-s7)

## Права и ограничения

У всех трёх конверсий и исходного Ruri v3 карточки указывают Apache-2.0. Это метка лицензии на опубликованные веса; она допускает коммерческое использование при соблюдении её условий, но не означает проверенную работоспособность конкретной сборки или точность на вашем корпусе. Новых независимых сравнений MLX-конверсий с PyTorch-оригиналами автор не публикует. Для русскоязычного поиска это не универсальная замена многоязычным эмбеддерам: исходная модель описана как японская. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3) [s4](#src-s4)

**Следующий шаг:** выберите 30M, 130M или 310M по проверяемому качеству на своём японском корпусе, закрепите ревизию Hugging Face, используйте префиксы исходного Ruri v3 и сравните результаты с исходным SentenceTransformers-чекпойнтом до применения в рабочем поиске. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3) [s4](#src-s4)

## Источники

1. [masahiroid/ruri-v3-30m-mlx — карточка и веса](https://huggingface.co/masahiroid/ruri-v3-30m-mlx/tree/759c0252b74050e080dc9ea6e906564b9eb86f35) — получено 2026-09-28
2. [masahiroid/ruri-v3-130m-mlx — карточка и веса](https://huggingface.co/masahiroid/ruri-v3-130m-mlx/tree/66ab3b27d9b710ec59f192c17536b54f762b6d49) — получено 2026-09-28
3. [masahiroid/ruri-v3-310m-mlx — карточка и веса](https://huggingface.co/masahiroid/ruri-v3-310m-mlx/tree/76b0ec2a36650cbbe420dfd5481af5109588c740) — получено 2026-09-28
4. [cl-nagoya/ruri-v3-310m — официальная карточка и префиксы](https://huggingface.co/cl-nagoya/ruri-v3-310m/blob/18b60fb8c2b9df296fb4212bb7d23ef94e579cd3/README.md) — получено 2026-09-28
5. [mlx-embeddings v0.1.0 — реализация ModernBERT](https://github.com/Blaizzy/mlx-embeddings/blob/v0.1.0/mlx_embeddings/models/modernbert.py) — получено 2026-09-28
6. [PyPI mlx-embeddings — версии](https://pypi.org/project/mlx-embeddings/0.1.0/) — получено 2026-09-28
7. [masahiroid/ruri-v3-reranker-310m-mlx — карточка, конфигурация и индекс](https://huggingface.co/masahiroid/ruri-v3-reranker-310m-mlx/tree/ffa40d7545685ef64255dcfe2cd00920b20fd2a7) — получено 2026-09-28