# Vela 1.0 Embedding получила LiteRT-пакеты для локального поиска

Источник: https://modelium.tech/zhurnal/vela-1-0-embedding-litert-mobile/

18 октября автор конверсии выложил LiteRT-версии Vela 1.0 Embedding для обработки текста на устройстве. Модель превращает фразу в числовой вектор для поиска похожего по смыслу текста; она не пишет ответы как чат-бот. Файлы доступны, но это компоненты для разработчика приложения, а не готовая программа для домашнего поиска по документам.

18 октября 2026 года сторонний автор загрузил **LiteRT-версии Vela 1.0 Embedding** — файлы для среды запуска моделей на устройстве, которые разработчик может встроить в приложение для поиска похожих по смыслу фраз на телефоне или компьютере. *Эмбеддинг* здесь означает числовое представление текста: если две фразы близки по смыслу, приложение сравнивает их представления. Эта модель **не генерирует ответ** и не превращает телефон в готового чат-бота. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

## Что появилось и кому это полезно?

В закреплённом репозитории есть четыре файла `.tflite` для запуска через центральный процессор с окнами на 64, 128, 256 и 512 токенов, а также варианты для графического процессора и мобильного ускорителя, отдельная таблица токенов и пакет `.litertlm`. *Токен* — небольшой фрагмент текста; число 512 здесь ограничивает длину одной обрабатываемой фразы в этой конверсии, **не объём ваших документов целиком**. Разработчику это даёт заготовку для локального сравнения коротких фрагментов, например поиска похожего названия заметки. Исходная модель уже существовала; нового обучения Vela этим выпуском не объявлено. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

Для обычного пользователя действие сейчас простое: **ничего устанавливать только ради этой новости не нужно**. Чтобы искать по собственной библиотеке заметок, потребуется приложение, которое разбивает документы на фрагменты, получает векторы и показывает найденное; сам набор весов такого интерфейса не содержит. Если нужен практический старт с моделями эмбеддингов для русского текста, откройте связанный материал о выборе модели: русское качество именно этой конверсии автор не измерил в приведённых проверках. [s1](#src-s1) [s2](#src-s2) [s4](#src-s4)

## Что известно о скорости и качестве?

Автор описал сравнение с исходной Vela на Mac M4 Max, Galaxy S26 и Pixel 8a и привёл условия замера: один текст за вызов, 20 измерений после пяти прогревов. Для короткого окна 64 токена заявлены 6,8 мс на мобильном ускорителе Galaxy S26 и 19,8 мс на его центральном процессоре с четырьмя потоками. Это **авторские результаты для указанного железа**, а не скорость на любом телефоне и не проверка Modelium. В той же записи сказано, что вычисления на графическом процессоре с пониженной точностью местами не проходят собственный порог сходства автора; вариант с более высокой точностью для этих тестов прошёл. [s1](#src-s1) [s5](#src-s5)

## Какие ограничения перед внедрением?

Исходная карточка перечисляет английский, арабский, испанский, японский и китайский языки. Русский язык в этом подтверждённом списке отсутствует, поэтому качество поиска по русским заметкам нужно измерить отдельно, а не переносить результаты англоязычных примеров. Карточки исходной модели и конверсии помечены Apache-2.0; отдельного файла LICENSE в их закреплённых деревьях нет. Лицензия кода конвертера тоже Apache-2.0, но это отдельный компонент. До включения в коммерческое приложение проверьте применимые условия каждого используемого файла. Требование к оперативной или видеопамяти автор не установил как универсальный минимум; размер загрузки таким минимумом не является. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3) [s6](#src-s6)

**Статус проверки:** источники и комплект файлов сверены 18 октября 2026 года, модель Modelium не запускал. Для разработчика следующий шаг — документация автора по воспроизведению конверсии и проверке на собственных текстах; для читателя, которому нужен русский поиск, — материал о выборе модели эмбеддингов ниже. [s1](#src-s1) [s4](#src-s4) [s5](#src-s5)

## Источники

1. [LiteRT-конверсия Vela 1.0: карточка на закреплённой ревизии](https://huggingface.co/litert-community/Vela-1.0-Encoder-307M-Embedding-LiteRT/blob/f92189a9b751b3c5c927f3114419aa6c408012d3/README.md) — получено 2026-10-18
2. [LiteRT-конверсия: HF API, файлы и дата создания](https://huggingface.co/api/models/litert-community/Vela-1.0-Encoder-307M-Embedding-LiteRT) — получено 2026-10-18
3. [Vela 1.0 Encoder Embedding: карточка исходной модели](https://huggingface.co/vllm-sr/Vela-1.0-Encoder-307M-Embedding/blob/290318fdefda0ef569745fed362881914fac650a/README.md) — получено 2026-10-18
4. [Modelium: модели эмбеддингов для русского поиска](https://modelium.tech/zhurnal/embedding-modeli-dlya-russkogo-rag/) — получено 2026-10-18
5. [Автор конверсии: протокол воспроизведения и условия сравнения](https://github.com/john-rocky/hf-to-litertlm/blob/5103db002a25fc7c132067c9073d2eba6583d614/vela_work/REPRODUCE.md) — получено 2026-10-18
6. [Автор конверсии: лицензия кода](https://github.com/john-rocky/hf-to-litertlm/blob/5103db002a25fc7c132067c9073d2eba6583d614/LICENSE) — получено 2026-10-18