Qwen3-Embedding 系列模型

  向量模型像是AI的“翻译器”，它可以将文本、图片等人类可认知的非结构化信息，映射到机器更易理解的向量空间，再基于这些向量实现高效的信息分类、检索或排序。也正因此，向量模型对于提升AI的语义理解、信息检索、多模态融合等核心能力至关重要。基于千问3模型，通义团队通过对比训练、SFT、模型融合等方法，打造出全新的千问3向量模型，包含文本嵌入模型 Qwen3-Embedding以及文本排序模型Qwen3-Reranker。

千问3向量模型系列训练过程图

  相较于上一个版本，千问3向量模型在文本检索、聚类、分类等核心任务上提升最高40%以上的性能。同时，得益于千问3的多语言能力，千问3向量模型系列率先支持超100种语言，并涵盖多种编程语言，可实现强大的多语言、跨语言及代码检索能力。

  为方便开发者，此次有9款千问3向量模型开源，涵盖0.6B、4B、8B等不同尺寸及GGUF版本。开发者可从中找到最符合需求的模型，自由组合模块，还可自定义向量或指令，实现特定任务、语言和场景的深度优化。比如，开发者可在智能搜索、推荐系统中采用Qwen3-Embedding作文本向量化，或者在RAG实践中用Qwen3-Reranker提升最终结果的相关性和准确性，甚至与视觉理解模型结合，探索前沿的跨模态语义理解。

  目前，千问3 Embedding和Reranker模型均已在魔搭社区、Hugging Face和GitHub等平台上开源，开发者也可直接通过阿里云百炼使用API服务。

标签：