Qwen3模型家族再添全新成员 Embedding系列模型正式登场

就在今天，Qwen模型家族正式迎来了一位新成员——Qwen3-Embedding系列模型。这次发布的重点很明确：专为文本表征、检索与排序任务打造，深度继承Qwen3在多语言文本理解上的基因。简单来说，如果你需要处理文本向量化、搜索排序这类任务，这个系列值得你认真看看。

先梳理一下核心亮点：

• Qwen3-Embedding系列模型正式发布
• 覆盖文本表征、检索与排序全链路
• 多语言理解能力突出，基准测试表现亮眼
• 已开源在Hugging Face、ModelScope、GitHub，同时可通过阿里云百炼平台调用服务

（注：下表中「MRL Support」指模型是否支持自定义最终向量维度；「Instruct Aware」指模型能否根据任务定制输入指令。）

多项基准测试的结果已经出来了，Qwen3-Embedding系列在文本表征和排序任务上展现了相当不错的实力。

目前，该系列模型已在Hugging Face、ModelScope和GitHub全面开源，你也可以直接在阿里云百炼平台使用最新的文本向量模型服务。

开源地址一览：

• ModelScope：
  • https://modelscope.cn/collections/Qwen3-Embedding-3edc3762d50f48
  • https://modelscope.cn/collections/Qwen3-Reranker-6316e71b146c4f
• Hugging Face：
  • https://huggingface.co/collections/Qwen/qwen3-embedding-6841b2055b99c44d9a4c371f
  • https://huggingface.co/collections/Qwen/qwen3-reranker-6841b22d0192d7ade9cdefea
• GitHub：
  • https://github.com/QwenLM/Qwen3-Embedding
• 技术报告：
  • https://github.com/QwenLM/Qwen3-Embedding/blob/main/qwen3_embedding_technical_report.pdf

主要特点

卓越的泛化性

Qwen3-Embedding系列在多个下游任务评估中达到了行业领先水平。其中，8B参数规模的Embedding模型在MTEB多语言Leaderboard榜单上位列第一（截至2025年6月6日，得分70.58），性能甚至超越了不少商业API服务。排序模型同样表现出色，在各类文本检索场景中都能显著提升搜索结果的相关性。

灵活的模型架构

该系列提供了从0.6B到8B参数规模的三种配置，你可以根据实际场景在性能与效率之间灵活取舍。而且，开发者可以自由组合表征模块与排序模块，实现功能扩展。此外，模型还支持两项定制化特性：

1. 表征维度自定义：允许你根据实际需求调整表征维度，有效降低应用成本；
2. 指令适配优化：支持自定义指令模板，以提升特定任务、语言或场景下的性能表现。

全面的多语言支持

Qwen3-Embedding系列支持超过100种语言，覆盖主流自然语言和多种编程语言。无论是多语言检索、跨语言匹配，还是代码理解场景，这套模型都能轻松应对。

模型架构

基于Qwen3基础模型，Embedding模型和Reranker模型分别采用了双塔结构和单塔结构的设计。通过LoRA微调，基础模型的文本理解能力得到了最大程度的保留和继承。

具体实现如下：

1. Embedding模型接收单段文本作为输入，取模型最后一层「EOS」标记对应的隐藏状态向量，作为输入文本的语义表示；
2. Reranker模型则接收文本对（例如用户查询与候选文档）作为输入，利用单塔结构计算并输出两个文本的相关性得分。

模型训练

Qwen3-Embedding系列模型延续了GTE-Qwen系列的多阶段训练范式，但针对具体应用场景做了深度优化。

对于Embedding模型，我们采用三阶段训练架构：

• 第一阶段：通过超大规模弱监督数据进行对比学习预训练；
• 第二阶段：基于高质量标注数据进行监督训练；
• 最终阶段：通过模型融合策略融合多个候选模型，提升整体性能。

这种分阶段机制有效平衡了模型的泛化能力与任务适配性。而在Reranker模型的训练中，基于实验验证结果，我们直接采用高质量标注数据进行监督训练，以提升效率。特别值得说的是，在Embedding模型的第一阶段弱监督训练中，我们构建了一套多任务适配的Prompt体系，利用Qwen3基础模型的文本生成能力，针对不同任务类型和语言特性动态生成了大量弱监督文本对——这突破了传统方法依赖社区论坛或公开数据筛选的局限，实现了大规模弱监督数据的高效生成。

未来发展

Qwen3-Embedding系列模型仅仅是一个起点。依托Qwen基础模型的持续迭代，我们接下来会重点提升文本表征与排序模型的训练效率，以增强实际部署中的性能表现。

除此之外，还有计划拓展多模态表征体系，构建跨模态语义理解能力。期待更多开发者基于这一系列探索更广泛的应用场景，推动模型在不同业务中的深入落地。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Qwen3模型家族再添全新成员 Embedding系列模型正式登场要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题