> ## Content Index > Fetch the complete content index at: https://bytevyte.com/llms.txt > Use this file to discover other available public pages before exploring further. # IBM enthüllt Granite Embedding Multilingual R2 mit erweitertem 32K-Kontextfenster - URL: https://bytevyte.com/ibm-enthullt-granite-embedding-multilingual-r2-mit-erweitertem-32k-kontextfenster/ - Published: 2026-05-15T10:05:46.000Z - Updated: 2026-07-23T14:13:03.000Z - Description: IBM veröffentlicht Granite Embedding Multilingual R2 mit 32K-Kontextfenster und Apache 2.0-Lizenz zur optimierten Dokumentensuche für Unternehmen. - Author: Bytevyte Editorial - Tags: ai-beats-de **IBM** hat das **Granite Embedding Multilingual R2** veröffentlicht, eine neue Generation von Text-Embedding-Modellen, die für die Verarbeitung massiver Datensätze in hunderten von Sprachen entwickelt wurden. Dieses Update, das diese Woche angekündigt wurde, führt ein Kontextfenster von 32.768 Token ein. Dies entspricht einer 64-fachen Steigerung gegenüber der vorherigen R1-Version. Durch die Erweiterung der Datenmenge, die das Modell in einem einzigen Durchgang verarbeiten kann, zielt IBM auf die Anforderungen von Unternehmen für das Retrieval von Langform-Dokumenten und komplexe Datenanalysen ab. Die Veröffentlichung umfasst zwei verschiedene Versionen: ein Full-Size-Modell mit 311 Millionen Parametern und ein kompaktes Modell mit 97 Millionen Parametern. Beide Versionen sind unter der **Apache 2.0**\-Lizenz auf **Hugging Face** verfügbar. Diese Modelle unterstützen mehr als 200 Sprachen und beinhalten spezialisiertes Retrieval-Training für 52 Sprachen sowie neun Programmiersprachen. Dies macht sie für die globale Softwareentwicklung und multinationale Unternehmensumgebungen einsetzbar. ## Technische Effizienz und flexible Bereitstellung Das **Granite Embedding Multilingual R2** basiert auf der **ModernBERT**\-Architektur, die **Flash Attention 2.0** und Rotary Position Embeddings integriert, um die Performance bei Operationen mit langem Kontext aufrechtzuerhalten. Ein Hauptmerkmal des 311M-Modells ist die Verwendung von **Matryoshka Representation Learning**. Diese Technik ermöglicht es Entwicklern, Embeddings von 768 Dimensionen auf bis zu 128 Dimensionen zu kürzen. Diese Flexibilität ermöglicht Reduzierungen bei den Speicherkosten und erhöht die Retrieval-Geschwindigkeit bei minimalen Auswirkungen auf die Genauigkeit. Für Edge Computing und Szenarien mit hohem Durchsatz bietet das 97M-Parameter-Modell eine leichtgewichtige Alternative. IBM gibt an, dass diese kleinere Version viele größere Wettbewerber in ihrer Klasse bei **MTEB**\-Benchmarks übertrifft. Die Trainingsdaten für beide Modelle wurden so kuratiert, dass Datensätze mit nicht-kommerziellen Beschränkungen vermieden wurden. Dies stellt sicher, dass Unternehmen diese Tools ohne rechtliche Komplikationen hinsichtlich der Datenherkunft einsetzen können. ## Strategische Auswirkungen auf die Unternehmenssuche Der Wechsel zu einem 32K-Kontextfenster behebt einen Engpass in **Retrieval-Augmented Generation** (RAG)-Systemen. Die meisten Standard-Embedding-Modelle sind auf 512 Token beschränkt, was Entwickler dazu zwingt, Dokumente in kleine Stücke zu zerlegen. Mit dem **Granite Embedding Multilingual R2** können Organisationen ganze technische Handbücher oder rechtliche Verträge als einzelne Einheiten verarbeiten. Dies verbessert die Relevanz von KI-generierten Antworten. IBMs Entscheidung, die Apache 2.0-Lizenz zu verwenden, positioniert diese Modelle als direkte Alternative zu proprietären Angeboten von Closed-Source-Anbietern. Das Unternehmen richtet sich an CTOs und Tech-Leader, die Datensouveränität und kosteneffiziente Skalierung priorisieren. Die Einbeziehung der Unterstützung von Programmiersprachen deutet auf einen Fokus auf KI-gestützte Codierung und die Modernisierung von Legacy-Systemen hin. Die Modelle sind derzeit für Tests und Integration über die Hugging Face-Plattform zugänglich. Entwickler können diese Embeddings nun in Produktions-Workflows integrieren, die die Verarbeitung von mehrsprachigen Langform-Inhalten mit effizienten Vektorgrößen erfordern. *Obwohl wir um Genauigkeit bemüht sind, kann bytevyte Fehler machen. Benutzern wird empfohlen, alle Informationen unabhängig zu überprüfen. Wir übernehmen keine Haftung für Fehler oder Auslassungen.* ## Related Articles - [Google erweitert Gemini API File Search mit multimodaler Unterstützung und Zitaten](https://bytevyte.com/google-erweitert-gemini-api-file-search-mit-multimodaler-unterstutzung-und-zitaten/) - [MongoDB 8.3 debütiert mit Automated Voyage AI Embeddings für Production GenAI](https://bytevyte.com/mongodb-8-3-debutiert-mit-automated-voyage-ai-embeddings-fur-production-genai/) - [Amazon Bedrock führt Metadaten-Filterung für das Langzeitgedächtnis von KI-Agenten ein, um die Abrufgenauigkeit zu verbessern](https://bytevyte.com/amazon-bedrock-fuhrt-metadaten-filterung-fur-das-langzeitgedachtnis-von-ki-agenten-ein-um-die-abrufgenauigkeit-zu-verbessern/) ✔Human Verified