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

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）兩個模塊，旨在為文本檢索、語義匹配等任務提供強大支持。該系列模型基于 Qwen3 基礎模型進行訓練，在多項基準測試中展現(xiàn)出卓越性能，尤其在多語言支持方面達到行業(yè)領先水平。

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

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）系列的技術路線。

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

一、Qwen3-Embedding 系列模型介紹

Qwen3-Embedding 系列專為文本向量化（Embedding）任務設計，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不同參數(shù)規(guī)模的模型，以適應不同的應用場景：

• Qwen3-Embedding-0.6B：輕量級模型，適用于資源受限的場景，如移動設備或邊緣計算。
• 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)級應用。
• Qwen3-Embedding-8B：高性能版本，針對復雜任務表現(xiàn)最佳。

這些模型基于 Qwen3 的 Transformer 架構(gòu)，支持最大 8192 個 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中表現(xiàn)出色，尤其是在多語言場景下優(yōu)勢明顯。

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 評測中，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)者在代碼補全、搜索等場景中使用。
• 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，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 等競爭對手。

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，并輸出相關性得分。其具備以下優(yōu)勢：

• 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微相關性，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，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 等檢索子集評測中表現(xiàn)出色。基于 Qwen3-Embedding-0.6B 召回的 Top-100 候選結(jié)果進行排序，能夠顯著提高結(jié)果的相關性。

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

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

• 性能優(yōu)勢：Qwen3-Embedding-8B 在 MTEB 多語言排行榜上得分 70.58，領先于 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。
• 應用優(yōu)勢：在檢索增強生成（RAG）場景中，Qwen3-Embedding 負責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論的情感傾向，幫助企業(yè)優(yōu)化客戶服務。

Qwen3-Embedding 和 Qwen3-Reranker 模型在文本檢索和語義匹配任務中展現(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??鴻煊的學習筆記??，作者：乘風破浪jxj