句子嵌入是语义搜索、聚类、分类和检索增强生成的基础组件。本文介绍了embeddingmagibu-200m，这是一个面向土耳其语的句子嵌入模型，生成768维L2归一化向量，支持8,192个token的上下文窗口，远超此前基于BERT的土耳其语编码器512个token的限制。该模型无需完整预训练，而是采用高效的三阶段适配流程：（1）构建土耳其语优化的多语言分词器，词汇量为131,072，通过从教师模型词汇表中剪枝冗余token，并基于40种语言语料库的频率分析纳入多语言token；（2）克隆教师嵌入模型，保留Transformer骨干网络权重，并通过均值组合token映射为新词汇初始化兼容的嵌入表；（3）在预计算的教师向量上进行离线嵌入蒸馏，使用余弦相似度目标函数，基于平衡的40种语言维基百科语料库。最终的学生模型包含约2亿参数，在单个GPU上大约四小时即可完成训练，通过在训练过程中避免在线教师推理，总成本为5-20美元。实验结果表明，在STSbTR上获得了77.55%/77.45%的皮尔逊/斯皮尔曼相关系数，超越了3亿参数的教师模型（73.84%/72.92%）。在TR-MTEB（26项任务）上取得了63.9%的平均分（在26个模型中排名第7），以比教师模型少33%的参数提供了有竞争力的成本质量权衡。为促进可复现性和下游使用，所有工件均已发布，包括模型权重、分词器文件、预计算嵌入数据集以及开源克隆和蒸馏工具。