阿里开源 Qwen3 新模型 Embedding 及 Reranker，带来强大多语言、跨语言支持

阿里开源了 Qwen3-Embedding 系列模型（Embedding 及 Reranker），专为文本表征、检索与排序任务设计，基于 Qwen3 基础模型进行训练。

6 月 6 日消息，阿里今日凌晨开源了 Qwen3-Embedding 系列模型（Embedding 及 Reranker），专为文本表征、检索与排序任务设计，基于 Qwen3 基础模型进行训练。

官方表示，在多项基准测试中，Qwen3-Embedding 系列在文本表征和排序任务中展现了卓越的性能。

其具备如下特点：

卓越的泛化性：Qwen3-Embedding 系列在多个下游任务评估中达到行业领先水平。其中，8B 参数规模的 Embedding 模型在 MTEB 多语言 Leaderboard 榜单中位列第一（截至 2025 年 6 月 6 日，得分 70.58），性能超越众多商业 API 服务。此外，该系列的排序模型在各类文本检索场景中表现出色，显著提升了搜索结果的相关性。

灵活的模型架构：Qwen3-Embedding 系列提供从 0.6B 到 8B 参数规模的 3 种模型配置，以满足不同场景下的性能与效率需求。开发者可以灵活组合表征与排序模块，实现功能扩展。

此外，模型支持以下定制化特性：

• 表征维度自定义：允许用户根据实际需求调整表征维度，有效降低应用成本；
• 指令适配优化：支持用户自定义指令模板，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，涵盖主流自然语言及多种编程语言。该系列模型具备强大的多语言、跨语言及代码检索能力，能够有效应对多语言场景下的数据处理需求。

据介绍，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；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。

IT之家附开源地址如下：

ModelScope：

• 魔搭社区
• 魔搭社区

Hugging Face：

• https://huggingface.co/collections/Qwen/qwen3-embedding-6841b2055b99c44d9a4c371f
• https://huggingface.co/collections/Qwen/qwen3-reranker-6841b22d0192d7ade9cdefea

GitHub：

• GitHub - QwenLM/Qwen3-Embedding