腾讯优图实验室开源 Youtu-Embedding

腾讯优图实验室正式开源 Youtu-Embedding，这是一款面向企业级应用打造的通用文本表示模型，可同时胜任文本检索、意图理解、相似度判断、分类聚类等六大主流任务。在信息检索（IR）、语义相似度（STS）、聚类、重排序和分类等一系列广泛的自然语言处理任务上，均展现出卓越的性能。

模型权重、推理代码及完整的训练框架现已开源，首个模型版本已在HuggingFace上发布，这是一个拥有20亿（2B）参数的通用语义表示模型。

根据介绍，Youtu-Embedding的核心优势包括：

• 在中文文本嵌入评测基准 CMTEB 上，Youtu-Embedding 以 77.46 的高分荣登榜首（截至2025年09月）

• 精密的三阶段训练：通过“LLM基础预训练 → 弱监督对齐 → 协同-判别式微调”的训练流程，系统性地将大模型的广博知识转化为专用于嵌入任务的判别能力。
• 创新的微调框架：设计了统一数据格式、任务差异化损失函数和动态单任务采样机制，解决了多任务学习中的“负迁移”难题，实现了多任务的稳定协同训练。（该框架在多种基础编码器上进行了验证，保障其通用性和有效性）
• 精细化的数据工程：结合了基于LLM的高质量数据合成技术与高效的难负例挖掘策略，为模型训练提供了最坚实的数据基础。