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

Qwen3-VL-Embedding-2B Benchmark Details

Benchmark Results

Benchmark Results

图像向量嵌入