Qwen3-VL-Embedding & Reranker 开源，专为多模态信息检索与跨模态懂得设计

阿里通义大年夜模型团队正式开源宣布 Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 模型系列，这两个模型基于 Qwen3-VL 构建，专为多模态信息检索与跨模态懂得设计，为图文、视频等混淆内容的懂得与检索供给同一、高效的解决筹划。

• 多模态通用性 

两个模型系列均能在同一框架内处理文本、图像、可视化文档（图表、代码、UI组件......）、视频等多种模态输入。在图文检索、视频-文本匹配、视觉问答（VQA），多模态内容聚类等多样化义务中，均达到了业界领先程度。

• 同一表示进修（Embedding）

Qwen3-VL-Embedding 充分应用 Qwen3-VL 基本模型的优势，可以或许生成语义丰富的向量表示，将视觉与文本信息映射到同一语义空间中，从而实现高效的跨模态类似度计算与检索。

Embedding 模型接收单模态或混淆模态输入，并将其映射为高维语义向量。我们提取基座模型最后一层中对应 [EOS] token 的隐蔽状况向量，作为输入的最终语义表示。这种办法确保了大年夜范围检索所需的高效自力编码才能。

作为 Embedding 模型的弥补，Qwen3-VL-Reranker 接收随便率性模态组合的查询与文档对（eg：图文查询匹配图文文档），输出精确的相干性分数。在实际应用中，二者常协同工作：Embedding 负责快速召回，Reranker 负责精细化重排序，构成“两阶段检索流程”，明显晋升最终成果精度。

• 卓越的实用性

该系列持续了 Qwen3-VL 的多说话才能，支撑跨越 30 种说话，合适全球化安排。模型供给灵活的向量维度选择、义务指令定制，以及量化后仍保持的优良机能，便于开辟者集成到现有体系中。

Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 采取了不合的架构设计，分别针对检索流程的不合阶段进行优化。

图1：同一多模态表示空间示意图。Qwen3-VL-Embedding模型系列将多源数据（文本、图像、视觉文档和视频）映射到合营的高维语义空间。

• 高精度重排序（Reranker）

图 2：Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 架构概览。左侧为 Embedding 模型的双塔自力编码架构，右侧为 Reranker 模型的单塔交叉留意力架构。

Qwen3-VL-Embedding 采取双塔架构，可以高效地将不合模态的内容自力编码为同一的向量表示，特别合适处理海量数据的并行计算。

Qwen3-VL-Reranker 采取单塔架构，经由过程内部的交叉留意力机制，深度分析查询与文档之间的语义接洽关系，从而输出精确的相干性分数。

在实际工作中，Reranking 模型接收输入对 (Query, Document) 并进行结合编码。它应用基座模型内的交叉留意力机制，实现 Query 和 Document 之间更深层、更细粒度的跨模态交互和信息融合。模型最终经由过程猜测两个特别 token（yes 和 no）的生成概率来表达输入对的相干性分数。

 

GitHub 仓库：

https://github.com/QwenLM/Qwen3-VL-Embedding

魔搭 ModelScope：

https://modelscope.cn/collections/Qwen/Qwen3-VL-Embedding
https://modelscope.cn/collections/Qwen/Qwen3-VL-Reranker