阿里通义大模型团队正式开源推出 qwen3-vl-embedding 与 qwen3-vl-reranker 模型家族。该系列基于强大的 qwen3-vl 多模态基础模型构建，专为多模态信息检索和跨模态语义理解任务深度优化，面向图文、视频及混合内容场景，提供统一、高性能的端到端解决方案。
- 多模态泛化能力
两大模型均支持在统一框架下处理文本、图像、可视化文档（如图表、代码片段、UI界面元素等）以及视频等多种输入形式。在图文跨模态检索、视频-文本对齐、视觉问答（VQA）、多模态聚类等广泛任务中，性能全面达到行业前沿水准。
- 统一语义表征（Embedding）
Qwen3-VL-Embedding 充分融合 Qwen3-VL 的强大表征能力，可生成高语义保真度的联合向量表示，将视觉与语言信号映射至共享语义空间，从而支撑高效、精准的跨模态相似性建模与快速检索。
图1：多模态统一语义空间示意。Qwen3-VL-Embedding 将文本、图像、视觉文档与视频等异构数据统一编码至同一高维语义向量空间。
- 高精度相关性重排序（Reranker）
作为 Embedding 模型的重要增强组件，Qwen3-VL-Reranker 支持任意模态组合的查询-文档对（例如：图文查询匹配图文文档），并输出精细化的相关性打分。在典型应用流程中，二者形成协同闭环：Embedding 实现大规模初筛召回，Reranker 完成细粒度相关性精排，共同构成“两阶段检索范式”，显著提升最终结果质量与用户体验。
- 强实用性与工程友好性
本系列完整继承 Qwen3-VL 的多语言理解能力，覆盖超30种语言，满足全球化业务部署需求。同时提供灵活的向量维度配置、可定制的任务指令模板，并在量化压缩后仍保持优异性能，极大降低集成门槛与推理开销。
Qwen3-VL-Embedding 与 Qwen3-VL-Reranker 在架构设计上各具侧重，分别针对检索链路中的不同环节进行专项优化。
图 2：Qwen3-VL-Embedding 与 Qwen3-VL-Reranker 架构对比示意图。左侧为双塔独立编码结构，右侧为单塔交叉注意力结构。
Qwen3-VL-Embedding 采用双塔编码架构，支持不同模态内容的并行独立编码，生成统一语义向量，特别适用于海量数据下的高吞吐、低延迟检索场景。
Embedding 模型可接收单模态或混合模态输入，并将其映射为固定维度的语义向量。具体实现中，我们提取基座模型最后一层对应 [EOS] token 的隐藏状态作为整体输入的语义表征，兼顾表达能力与计算效率，保障大规模检索系统的实时响应能力。
Qwen3-VL-Reranker 采用单塔联合编码架构，依托内置的交叉注意力机制，对查询与文档进行深度交互建模，充分挖掘跨模态细粒度关联，最终输出高置信度的相关性评分。
Reranker 模型以 (Query, Document) 对为输入单元，执行联合前向传播。通过基座模型内部的交叉注意力模块，实现 Query 与 Document 之间的双向、多层次语义对齐与信息互补。模型最终基于两个特殊 token（yes / no）的生成概率分布，推导出该输入对的相关性得分。
GitHub 仓库：
https://www.php.cn/link/2b7f3676262f189cbb4e3454f6330155
魔搭 ModelScope：
https://www.php.cn/link/ad5dae030351324d7b709be52a633081
https://www.php.cn/link/d23941275ef524a546d5921aa8c5af2d
源码地址：点击下载
