ibm-granite/granite-embedding-small-english-r2
ibm-granite/granite-embedding-small-english-r2 est un modèle d’embedding dense anglophone publié par IBM le 15 août 2025 sous licence ouverte Apache 2.0. Fondé sur ModernBERT, ce bi-encodeur compte 48 millions de paramètres actifs et produit des vecteurs compacts de 384 dimensions.
ibm-granite/granite-embedding-small-english-r2 est un modèle d’embedding dense anglophone publié par IBM le 15 août 2025 sous licence ouverte Apache 2.0. Fondé sur ModernBERT, ce bi-encodeur compte 48 millions de paramètres actifs et produit des vecteurs compacts de 384 dimensions.
Sa fenêtre atteint 8 192 tokens, ce qui permet d’encoder des requêtes, des passages, des documents longs, des conversations multi-tours et des tables. Ses représentations de longueur fixe servent à la recherche sémantique, à la récupération d’information pour le RAG, au calcul de similarité par cosinus et au clustering.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Modèle d'embedding |
| Éditeur | IBM |
| Poids | 🟢 Poids ouverts |
| Licence | Apache 2.0 |
| Date de sortie | 15 août 2025 |
| Dimension du vecteur | 384 |
| Représentation | dense |
| Paramètres | 48 millions |
| Paramètres actifs | 48 millions |
| Longueur de séquence max | 8 192 tokens |
| Modalités (entrée → sortie) | text → embedding |
Performances (benchmarks)
| Benchmark | Score | Rang | Source | Fiabilité |
|---|---|---|---|---|
| MTEB: BEIR | 50,9 % | 92ᵉ / 192 | mteb | ✅ Mesuré |
| MTEB: Long-context Retrieval | 63,7 % | 27ᵉ / 170 | mteb | ✅ Mesuré |
| MTEB: Code Information Retrieval | 53,5 % | 37ᵉ / 49 | mteb | ✅ Mesuré |
| MTEB: Code | 55,8 % | 32ᵉ / 43 | mteb | ✅ Mesuré |
| MTEB: RTEB Legal | 33,2 % | 114ᵉ / 208 | mteb | ✅ Mesuré |
| MTEB: RTEB Healthcare | 40,1 % | 69ᵉ / 97 | mteb | ✅ Mesuré |
| MTEB: RTEB Finance | 50,5 % | 71ᵉ / 97 | mteb | ✅ Mesuré |
| MTEB: RTEB French | 19,1 % | 132ᵉ / 218 | mteb | ✅ Mesuré |
| MTEB: RTEB German | 24,6 % | 108ᵉ / 209 | mteb | ✅ Mesuré |
Scores issus de MTEB (Massive Text Embedding Benchmark), suite d'évaluation indépendante. Le rang situe le modèle parmi les modèles d'embedding évalués sur le même track.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
MTEB: BEIR
MTEB: Long-context Retrieval
Notre analyse
Forces. Le principal point fort ressort du track MTEB Long-context Retrieval, où le modèle se place dans la partie haute du classement. Sa longue séquence de 8 192 tokens convient à l’indexation de documents étendus sans les réduire à des fragments trop courts. Les résultats sur BEIR indiquent aussi une capacité généraliste en recherche zero-shot sur des tâches et domaines variés. La dimension de 384 rend les index vectoriels plus légers que ceux fondés sur des représentations beaucoup plus larges, tandis que la licence Apache 2.0 facilite l’auto-hébergement et l’intégration dans des systèmes propriétaires ou ouverts.
Limites et points d’attention. Les performances sont moins bien classées sur les tracks spécialisés RTEB Finance et RTEB Healthcare, avec un retrait particulièrement marqué dans le domaine médical. Le modèle étant anglophone, il ne constitue pas un choix adapté aux corpus principalement rédigés dans d’autres langues. Sa taille compacte et ses vecteurs courts favorisent l’efficacité, mais peuvent imposer un arbitrage face à des modèles plus fortement spécialisés. Usages pertinents : recherche sémantique en anglais, RAG sur documents longs, rapprochement de passages, indexation de conversations ou de tables et clustering de corpus anglophones.
Sources des données : MTEB — Massive Text Embedding Benchmark · LLM-Stats (llm-stats.com).