一、Qwen3-Embedding 系列模型介紹

二、Qwen3-Reranker 系列模型介紹

三、Qwen3-Embedding 和 Qwen3-Reranker 的優(yōu)勢(shì)

6 月 6 日凌晨，阿里巴巴開源了 Qwen3-Embedding 系列模型，包括 Embedding（文本表征）和 Reranker（排序）兩個(gè)模塊，旨在為文本檢索、語義匹配等任務(wù)提供強(qiáng)大支持。該系列模型基于 Qwen3 基礎(chǔ)模型進(jìn)行訓(xùn)練，在多項(xiàng)基準(zhǔn)測(cè)試中展現(xiàn)出卓越性能，尤其在多語言支持方面達(dá)到行業(yè)領(lǐng)先水平。

官方數(shù)據(jù)顯示，Qwen3-Embedding 系列在多語言文本表征任務(wù)中表現(xiàn)出色：其中，8B 參數(shù)版本在權(quán)威評(píng)測(cè) MTEB（Massive Text Embedding Benchmark）多語言榜單中位居榜首，得分高達(dá) 70.58，超越了多家商業(yè) API 服務(wù)。而 Reranker 排序模型則在文本檢索任務(wù)中顯著提升了結(jié)果的相關(guān)性，特別適用于搜索、推薦等實(shí)際場(chǎng)景。

這一系列模型提供了 0.6B、4B、8B 三種不同參數(shù)規(guī)模的選擇，開發(fā)者可以根據(jù)自身算力需求進(jìn)行靈活配置。此次開源延續(xù)了阿里通義千問（Qwen）系列的技術(shù)路線。

目前，該系列模型已在 Hugging Face、ModelScope 和 GitHub 平臺(tái)開源，用戶也可以直接使用阿里云百煉平臺(tái)提供的最新文本向量模型服務(wù)。

一、Qwen3-Embedding 系列模型介紹

Qwen3-Embedding 系列專為文本向量化（Embedding）任務(wù)設(shè)計(jì)，能夠?qū)⑽谋荆òㄗ匀徽Z言和編程語言）轉(zhuǎn)化為高維向量，從而捕捉其中的語義信息。該系列包含以下三個(gè)不同參數(shù)規(guī)模的模型，以適應(yīng)不同的應(yīng)用場(chǎng)景：

• Qwen3-Embedding-0.6B：輕量級(jí)模型，適用于資源受限的場(chǎng)景，如移動(dòng)設(shè)備或邊緣計(jì)算。
• Qwen3-Embedding-4B：在性能與效率之間取得良好平衡，適合大多數(shù)企業(yè)級(jí)應(yīng)用。
• Qwen3-Embedding-8B：高性能版本，針對(duì)復(fù)雜任務(wù)表現(xiàn)最佳。

這些模型基于 Qwen3 的 Transformer 架構(gòu)，支持最大 8192 個(gè) token 的輸入長度，非常適合長文本處理。根據(jù) Hugging Face 的介紹，該模型在文本檢索、代碼檢索、分類、聚類和雙文本挖掘等任務(wù)中表現(xiàn)出色，尤其是在多語言場(chǎng)景下優(yōu)勢(shì)明顯。

具體而言，該系列模型具備以下特性：

• 跨語言檢索：通過統(tǒng)一的向量空間，模型能夠?qū)崿F(xiàn)跨語言語義匹配。
• 代碼檢索：在 MTEB-Code 評(píng)測(cè)中，Qwen3-Embedding 表現(xiàn)優(yōu)異，能夠根據(jù)自然語言描述檢索代碼片段，特別適合開發(fā)者在代碼補(bǔ)全、搜索等場(chǎng)景中使用。
• 靈活性：支持用戶自定義指令（Instruction），開發(fā)者可以根據(jù)具體任務(wù)調(diào)整輸入格式，從而提升 1%-5% 的檢索性能。
• 高效推理：支持 Flash Attention 2 技術(shù)，能夠降低內(nèi)存占用，提升推理速度，適合大規(guī)模部署。

Hugging Face 數(shù)據(jù)顯示，截至 2025 年 6 月 5 日，Qwen3-Embedding-8B 在 MTEB 多語言排行榜上以 70.58 分的成績位居第一，超越了 BGE 等競(jìng)爭(zhēng)對(duì)手。

二、Qwen3-Reranker 系列模型介紹

Qwen3-Reranker 系列是與 Qwen3-Embedding 配套的排序模型，主要用于優(yōu)化初次檢索結(jié)果的相關(guān)性。該系列模型采用跨編碼器（Cross-Encoder）架構(gòu)，輸入查詢和文檔對(duì)，并輸出相關(guān)性得分。其具備以下優(yōu)勢(shì)：

• 高精度排序：通過深度語義分析，Qwen3-Reranker 能夠捕捉查詢和文檔之間的細(xì)微相關(guān)性，顯著提升排序質(zhì)量。
• 高效推理：優(yōu)化后的推理速度，結(jié)合阿里云 DashVector 服務(wù)，能夠?qū)崿F(xiàn)低延遲、高吞吐量。
• 用戶自定義：同樣支持自定義指令，開發(fā)者可以根據(jù)任務(wù)調(diào)整輸入格式，提升排序效果。

Hugging Face 數(shù)據(jù)表明，Qwen3-Reranker 在 MTEB-R、CMTEB-R、MMTEB-R 和 MTEB-Code 等檢索子集評(píng)測(cè)中表現(xiàn)出色。基于 Qwen3-Embedding-0.6B 召回的 Top-100 候選結(jié)果進(jìn)行排序，能夠顯著提高結(jié)果的相關(guān)性。

三、Qwen3-Embedding 和 Qwen3-Reranker 的優(yōu)勢(shì)

與 BGE（智源）、Sentence-BERT 等模型相比，Qwen3-Embedding 和 Qwen3-Reranker 具備以下優(yōu)勢(shì)：

• 性能優(yōu)勢(shì)：Qwen3-Embedding-8B 在 MTEB 多語言排行榜上得分 70.58，領(lǐng)先于 BGE。此外，阿里還開源了 GTE 系列模型（如 gte-multilingual-reranker-base），該系列采用更輕量的 ModernBERT 架構(gòu)，支持 70 + 語言，推理速度提升 10 倍，但由于參數(shù)規(guī)模較小，性能稍遜于 Qwen3 系列。
• 應(yīng)用優(yōu)勢(shì)：在檢索增強(qiáng)生成（RAG）場(chǎng)景中，Qwen3-Embedding 負(fù)責(zé)生成查詢和文檔的向量表示，Qwen3-Reranker 則用于優(yōu)化排序結(jié)果。此外，Qwen3-Embedding 生成的向量表示還可以用于分析用戶評(píng)論的情感傾向，幫助企業(yè)優(yōu)化客戶服務(wù)。

Qwen3-Embedding 和 Qwen3-Reranker 模型在文本檢索和語義匹配任務(wù)中展現(xiàn)出了卓越的性能和多語言支持能力，為開發(fā)者和企業(yè)提供了有力的支持。

本文轉(zhuǎn)載自??鴻煊的學(xué)習(xí)筆記??，作者：乘風(fēng)破浪jxj