Qwen3 Vision-Language Embedding 2B
Qwen3 Vision-Language Embedding 2B 是由 阿里巴巴 发布的 AI 模型，发布时间为 2026-01-08，定位为 embedding模型，参数规模约为 20亿，上下文长度为 32K，模型文件大小约 4.26GB，采用 Apache 2.0 许可，在 MMEB-v2-Image 上取得 74.96 分。
数据优先来自官方发布（GitHub、Hugging Face、论文），其次为评测基准官方结果，最后为第三方评测机构数据。 了解数据收集方法
模型基本信息
开源和体验地址
官方介绍与博客
API接口信息
评测结果
Qwen3-VL-Embedding-2B 当前已收录的代表性评测结果包括 MMEB-v2-Image（4 / 6，得分 74.96）。 本页还汇总了参数规模、上下文长度与 API 价格，便于结合评测结果与部署约束一起判断模型适配度。
和其他模型对比
暂时没有为该模型整理的相关对比页面。
想自定义其他组合？打开对比工具
发布机构
模型解读
Qwen3-VL-Embedding-2B 是 Qwen 团队推出的 多模态向量表示模型，定位于检索系统和 RAG 系统中的第一阶段召回（Recall）。模型基于 Qwen3-VL 视觉语言架构构建，能够将文本、图片、截图（视觉文档）、视频等多种模态统一编码为稠密向量，用于相似度计算和大规模检索。
该模型在参数规模、性能与推理成本之间取得较好平衡，适合在大规模向量库、在线检索服务和资源受限环境中使用。
核心定位
- 用于 多模态检索 / 多模态 RAG 的向量召回阶段
- 支持 跨模态检索（文本搜图、文本搜视频、文本搜截图等）
- 面向 高吞吐、低延迟、可规模化部署 的生产场景
在典型系统中，Qwen3-VL-Embedding-2B 常作为默认向量模型，与多模态 Reranker 组成两阶段检索链路。
模型规格（官方公开信息整理）
项目说明
模型类型Multimodal Embedding（多模态向量模型）
参数规模2B
网络层数28 层
最大上下文长度32K tokens
向量维度2048（支持 MRL 动态裁剪）
输入模态文本 / 图片 / 截图 / 视频 / 混合模态
指令支持Instruction-aware（支持自定义任务指令）
多语言能力支持 30+ 种语言
量化支持支持低精度量化（如 int8）
许可证Apache 2.0（可商用）
模型特点
- 统一多模态表示空间 不同模态的数据被映射到同一向量空间，可直接进行跨模态相似度计算。
- 支持长上下文输入 32K 上下文长度适合长文档、长截图序列和视频片段编码。
- MRL（Matryoshka Representation Learning） 支持在不重新编码的情况下截取不同维度的向量，用于在存储成本、检索速度和效果之间做权衡。
- Instruction-aware 向量化 可通过指令明确检索任务目标，使向量更贴近具体业务定义的“相关性”。
适用场景
- 多模态 RAG 的第一阶段召回
- 图片 / 视频 / 文档截图检索
- 企业知识库向量化
- 大规模在线搜索系统
- 对算力和延迟敏感的生产环境
DataLearner 官方微信
欢迎关注 DataLearner 官方微信，获得最新 AI 技术推送
