向量大模型新选择，阿里开源向量大模型Qwen-Embedding和重排序大模型Qwen-Reranker，开源向量检索能力第一名！完全免费开源。

阿里巴巴Qwen团队发布了全新的**Qwen3 Embedding系列模型**，这是一套基于Qwen3基础模型构建的专用文本向量与重排（Reranking）模型。该系列模型凭借Qwen3强大的多语言理解能力，在多项文本向量与重排任务的Benchmark上达到了SOTA水平，其中8B尺寸的向量模型在MTEB多语言排行榜上排名第一。Qwen3 Reranker模型在多个评测基准上同样大幅超越了现有的主流开源竞品。

<center>![阿里开源向量大模型Qwen-Embedding](https://www.datalearner.com/resources/blog_images/2112b70c-6912-4239-8b90-9ff83ddb9585.webp "阿里开源向量大模型Qwen-Embedding")</center>
<center></center>

[TOC]

#### Qwen3 Embedding 模型特点
Qwen3 Embedding系列是Qwen大模型家族的新成员，专注于解决信息检索（Retrieval）和重排（Reranking）两大核心任务。该系列模型继承了Qwen3基础模型的强大文本理解能力，并通过创新的训练方法，为开发者提供了目前最顶尖的开源向量与重排解决方案。

其核心特点包括：

1. ##### 卓越的通用性与性能
 Qwen3 Embedding系列在广泛的下游应用评测中均表现出SOTA性能。其向量模型在处理多种任务时效果非常强大，其中 **Qwen3-Embedding-8B** 模型在2025年6月5日以70.58分的成绩登顶 **MTEB多语言排行榜榜首**。配套的Reranker模型则在文本检索场景中表现突出，能显著提升搜索结果的相关性。

2. ##### 全面的灵活性
 该系列为向量和重排模型均提供了从 **0.6B到8B** 的多种尺寸，以满足不同场景下对效率和效果的平衡需求。开发者可以无缝地组合使用这两个模块。此外，向量模型支持MRL（Matryoshka Representation Learning），允许用户自定义输出向量的维度；同时，向量和重排模型均支持**指令感知（Instruction Aware）**，可通过自定义指令来增强在特定任务、语言或场景下的表现。

3.  ##### 强大的多语言能力
    Qwen3 Embedding系列支持超过**100种语言**，包括多种编程语言，提供了强大的多语言、跨语言和代码检索能力，使其成为构建全球化或代码相关应用的理想选择。

4.  ##### 创新的训练框架与架构
    模型架构上，向量模型采用了**双编码器（dual-encoder）**结构，而重排模型采用了**交叉编码器（cross-encoder）**结构。训练上，团队沿用了GTE-Qwen系列的多阶段训练范式，并做出关键创新：在弱监督训练阶段，利用**Qwen3基础模型的文本生成能力，动态生成了大量适配不同任务类型的弱监督数据对**，有效解决了传统方法在数据收集中面临的瓶颈。

这里的0.6B即6亿参数的模型值得大家注意。0.6B的轻量化模型为资源受限或对推理速度有极高要求的场景（如端侧部署）提供了高效的解决方案，极大地降低了先进向量模型的使用门槛。意味着手机也可以使用，而4B也在很多PC的显卡上可以使用。

此外，向量模型支持MRL（Matryoshka Representation Learning）技术，允许用户在不重新编码的情况下，根据需求（如存储成本、检索速度）灵活**截取不同维度的向量**，实现了效率与效果的动态平衡。

#### Qwen3-Embedding与其他模型的评测对比
根据官方发布的评测数据，Qwen3-Embedding模型在多个主流基准测试中展现了质的飞跃，其性能全面领先于现有的开源模型，也超过了Google的gemini-embedding-001模型：

| 评测集          | Qwen3-Embedding -8B | Qwen3-Embedding -4B | Qwen3-Embedding -0.6B | Gemini Embedding | Cohere-embed-multilingual-v3.0 | text-embedding -3-large | multilingual-e5-large-instruct | gte-Qwen2-7B-instruct |
|-----------------|---------------------|---------------------|-----------------------|------------------|--------------------------------|------------------------|-------------------------------|------------------------|
| MMTEB           | **70.58 **              | 69.45               | 64.33                 | 68.37            | 61.12                          | 58.93                   | 63.22                         | 62.51                  |
| MTEB (en v2)    |** 75.22**               | 74.60               | 70.70                 | 73.30            | 66.01                          | 66.43                   | 65.53                         | 70.72                  |
| MTEB-Code       |** 80.68**               | 80.06               | 75.41                 | 74.66            | 51.94                          | 58.95                   | 65.00                         | 56.41                  |

同样的，重排序模型也是业界第一：

| Model | Param | MTEB-R | CMTEB-R | MMTEB-R | MLDR | MTEB-Code | FollowIR |
| --------------------------- | ----- | ------ | ------- | ------- | ------ | --------- | -------- |
| Jina-multilingual-reranker-v2-base | 0.3B | 58.22 | 63.37 | 63.73 | 39.66 | 58.98 | -0.68 |
| gte-multilingual-reranker-base | 0.3B | 59.51 | 74.08 | 59.44 | 66.33 | 54.18 | -1.64 |
| BGE-reranker-v2-m3 | 0.6B | 57.03 | 72.16 | 58.36 | 59.51 | 41.38 | -0.01 |
| **Qwen3-Reranker-0.6B** | **0.6B** | **65.80** | **71.31** | **66.36** | **67.28** | **73.42** | **5.41** |
| **Qwen3-Reranker-4B** | **4B** | **69.76** | **75.94** | **72.74** | **69.97** | **81.20** | **14.84** |
| **Qwen3-Reranker-8B** | **8B** | **69.02** | **77.45** | **72.94** | **70.19** | **81.22** | **8.05** |

从数据中可以清晰地看到：
*   **全面领先**：Qwen3 Embedding以及Reranker模型（0.6B, 4B, 8B）在所有测试项上均显著优于Jina、gte和BGE等竞品。
*   **性能飞跃**：在多语言检索基准 **MMTEB-R** 上，Qwen3-Reranker-4B得分高达 **72.74**，相较于BGE-reranker-v2-m3的58.36分，提升巨大。在代码检索基准 **MTEB-Code** 上，4B和8B版本得分更是超过了 **81.0**，几乎是BGE模型的两倍。
*   **高效选择**：**Qwen3-Reranker-4B** 模型在多个基准上表现甚至优于8B版本（如FollowIR），为开发者提供了一个性能与效率俱佳的强大选项。

#### 获取方式与可用性
目前，Qwen3 Embedding系列模型已经**完全开源**，并遵循 **Apache 2.0 许可证**。这意味着Qwen3的向量模型和重排序模型可以完全免费商用，没有任何限制。

Qwen3 Embedding系列的发布，无疑为开源社区带来了目前最强大的文本向量和重排工具。它不仅在多项关键Benchmark上树立了新的SOTA标准，还通过提供多种模型尺寸、自定义向量维度和指令感知等功能，赋予了开发者前所未有的灵活性。对于正在构建或希望优化AI驱动的搜索、问答及其他信息检索系统的开发者而言，Qwen3 Embedding系列是一个不容错过的选择。

关于Qwen3 Embedding的更多信息请参考DataLearnerAI模型的信息卡：

#### Qwen3 Embedding 系列模型概览
为了方便开发者根据需求选择合适的模型，官方提供了详细的模型参数列表：

| 模型名称               | 尺寸 | 层数 | 序列长度 | 向量维度 | DataLearnerAI模型信息卡地址 |
| ---------------- | ---------------------- | ---- | ---- | -------- | -------- | ------- | 
| Qwen3-Embedding-0.6B   | 0.6B | 28   | 32K      | 1024     | https://www.datalearner.com/ai-models/pretrained-models/Qwen3-Embedding-0_6B      |
 | Qwen3-Embedding-4B     | 4B   | 36   | 32K      | 2560     | https://www.datalearner.com/ai-models/pretrained-models/Qwen3-Embedding-4B    |
 | Qwen3-Embedding-8B     | 8B   | 36   | 32K      | 4096     | https://www.datalearner.com/ai-models/pretrained-models/Qwen3-Embedding-8B   |
| Qwen3-Reranker-0.6B    | 0.6B | 28   | 32K      | -        | https://www.datalearner.com/ai-models/pretrained-models/Qwen3-Reranker-0_6B       |
| Qwen3-Reranker-4B      | 4B   | 36   | 32K      | -        | https://www.datalearner.com/ai-models/pretrained-models/Qwen3-Reranker-4B     |
| Qwen3-Reranker-8B      | 8B   | 36   | 32K      | -        | https://www.datalearner.com/ai-models/pretrained-models/Qwen3-Reranker-8B       |

向量大模型新选择，阿里开源向量大模型Qwen-Embedding和重排序大模型Qwen-Reranker，开源向量检索能力第一名！完全免费开源。

欢迎大家关注DataLearner官方微信，接受最新的AI技术推送

相关博客

最热博客