wpk打破地域界限，無論你身在何處，只需輕點鼠標(biāo)，即可與各地的撲克高手同臺競技。感受不同文化的碰撞。

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

阿里巴巴昨天正式推出Qwen3-Embedding文本向量模型，提供0.6B、4B、8B三檔參數(shù)規(guī)模，全面覆蓋輕量級邊緣計算到高性能云端場景。該模型支持119種自然語言及Python、Java等編程語言，并突破性地實現(xiàn)32k tokens長文本處理能力。

wepoker安卓蘋果下載

▲Qwen3-Embedding與Qwen3-Reranker系列的訓(xùn)練流程

同時，Qwen3-Reranker模型支持任務(wù)指令微調(diào)，開發(fā)者可通過自定義指令（如“按病例描述相關(guān)性排序”）優(yōu)化特定領(lǐng)域性能，實測可提升排序準(zhǔn)確率3%-5%，而競品如ColBERT缺乏此類功能。

Qwen3-Reranker模型采用單塔交互結(jié)構(gòu)，將用戶查詢與候選文檔拼接輸入，通過動態(tài)計算查詢-文檔交互特征輸出相關(guān)性得分，實現(xiàn)非靜態(tài)向量匹配的實時排序。

Qwen3-Reranker 8B模型參數(shù)量為8B，上下文長度在標(biāo)準(zhǔn)配置下為32768個 Token；Qwen3-Reranker 8B在多語言檢索任務(wù)中取得了69.02分，性能超越bge-reranker-large等開源競品；在中文檢索任務(wù)中得分達(dá)到77.45，在英文檢索任務(wù)中得分達(dá)到69.76，顯著優(yōu)于傳統(tǒng)BM25和ColBERT等其他基線模型。

▲Qwen3-Reranker的模型架構(gòu)

在多模態(tài)文本嵌入（MTEB）跨語言場景下，Qwen3-Embedding 8B模型在多語言檢索任務(wù)中取得了69.02的高分，在中文檢索任務(wù)中得分達(dá)到77.45，在英文檢索任務(wù)中得分達(dá)到69.76。

▲Qwen3-Embedding在代碼檢索任務(wù)中表現(xiàn)的性能

Qwen3-Embedding的核心優(yōu)勢在于多語言深度適配（跨語言檢索誤差率降低30%）、長文本處理標(biāo)桿級能力（32k窗口+雙塊注意力機(jī)制），以及靈活定制化設(shè)計（競品如OpenAI text-embedding僅支持固定維度）。

除此，技術(shù)報告還透露，Qwen3 Embedding依托Qwen3基座模型的深度語言理解能力，創(chuàng)新采用雙編碼器架構(gòu)，能獨立處理查詢文本與文檔內(nèi)容，生成高精度語義向量。

Qwen3-Reranker 4B模型參數(shù)量為4B，性能匹敵Qwen2.5-72B-Instruct。Qwen3-Reranker 4B模型同樣具備32k的上下文長度，它通過多項架構(gòu)增強(qiáng)提升語義理解能力；Qwen3-Reranker 4B模型在AIME25（美國數(shù)學(xué)邀請賽）評測中得分為81.5，刷新了開源模型記錄，展現(xiàn)出強(qiáng)大的數(shù)學(xué)推理能力，能夠處理復(fù)雜的數(shù)學(xué)問題，進(jìn)行嚴(yán)謹(jǐn)?shù)挠嬎愫投嗖酵评怼?/p>

Qwen3-Embedding和Qwen3-Reranker，均基于Qwen3基礎(chǔ)模型訓(xùn)練，專為文本表征、檢索與排序任務(wù)設(shè)計。其中，Qwen3-Embedding接收單段文本，將其轉(zhuǎn)換為語義向量，以用于語義搜索、問答系統(tǒng)等場景。Qwen3-Reranker則接收文本對，利用單塔結(jié)構(gòu)計算并輸出兩個文本的相關(guān)性得分，可在各類文本檢索場景中顯著提升搜索結(jié)果的相關(guān)性。在實際應(yīng)用中，二者常結(jié)合使用，比如在RAG系統(tǒng)里，Qwen3-Embedding用于初步檢索，Qwen3-Reranker用于優(yōu)化候選結(jié)果，兼顧效率和精度。

在權(quán)威評測中，Qwen3-Embedding 8B版本以70.58分登頂MTEB多語言Leaderboard榜單（截至2025年6月6日），超越Google Gemini-Embedding等商業(yè)模型。

Qwen3-Embedding/Reranker通過“多語言+長文本+可定制”三位一體設(shè)計，解決了傳統(tǒng)文本處理模型泛化性差、成本高的痛點。其開源策略更將加速產(chǎn)業(yè)應(yīng)用創(chuàng)新，開發(fā)者可基于Hugging Face快速微調(diào)，企業(yè)可通過阿里云API即時部署。阿里巴巴在文本嵌入領(lǐng)域的技術(shù)布局覆蓋從輕量級到高性能的全場景需求。

阿里巴巴的Qwen3-Reranker系列模型專門用于提升搜索和推薦系統(tǒng)相關(guān)性排序能力的模型，該系列提供0.6B/4B/8B三檔參數(shù)規(guī)模。Qwen3-Reranker系列模型專為文本表征、檢索與排序任務(wù)設(shè)計。該系列模型采用基于Qwen3基礎(chǔ)模型的稠密版本，并與Qwen3-Embedding模型協(xié)同構(gòu)建端到端檢索鏈路。

二、32k長文檔精準(zhǔn)排序：Qwen3-Reranker支持法律科研檢索99%穩(wěn)定性

▲Qwen3-Embedding模型在MTEB多語言Leaderboard榜單中位列第一

▲Qwen3-Embedding的模型架構(gòu)

一、阿里巴巴發(fā)布Qwen3-Embedding模型，模型多語言得分超70

▲Qwen3 Embedding在多模態(tài)文本嵌入任務(wù)中表現(xiàn)的性能

Qwen3-Embedding模型在代碼檢索（MTEB-Code）任務(wù)中，搜索精準(zhǔn)度排名第一。

同時，Qwen3-Embedding模型的開源免費策略顯著降低技術(shù)門檻，中小企業(yè)可零成本構(gòu)建文檔檢索、知識庫聚類等系統(tǒng)，可能使多語言文本處理技術(shù)進(jìn)入普惠化應(yīng)用階段。

Qwen3-Embedding模型采用三階段訓(xùn)練框架：首階段基于36萬億token多語言數(shù)據(jù)弱監(jiān)督預(yù)訓(xùn)練，第二階段融合MS MARCO標(biāo)注數(shù)據(jù)進(jìn)行監(jiān)督微調(diào)，最終通過模型融合技術(shù)提升泛化性。推理層面Qwen3-Embedding模型創(chuàng)新性支持自定義指令模板，使特定任務(wù)性能提升3%-5%。

Qwen3-Reranker 0.6B模型參數(shù)量為0.6B，屬于超小型模型，適合端側(cè)設(shè)備部署。其上下文長度達(dá)32k，采用基于Transformer的架構(gòu)，以RMSNorm對層輸入進(jìn)行歸一化，確保訓(xùn)練穩(wěn)定；Qwen3-Reranker 0.6B模型能無縫集成兩種思考模式，在保持推理效率的同時，展現(xiàn)出良好的多語言處理能力。

Qwen3-Reranker系列模型的32k tokens上下文窗口專為法律文書、科研論文等長文檔排序優(yōu)化，顯著提升長文本處理穩(wěn)定性。模型以Apache 2.0協(xié)議開源免費，開發(fā)者可通過Hugging Face、GitHub、ModelScope獲取，或通過阿里云API一鍵調(diào)用集成。

目前Qwen3-Embedding模型以Apache 2.0協(xié)議免費開源，開發(fā)者可通過Hugging Face、ModelScope及阿里云API一鍵部署。

阿里巴巴的開源策略激活開發(fā)者生態(tài)，通過Hugging Face快速微調(diào)行業(yè)模型，阿里云API支持5行代碼接入，極大降低技術(shù)門檻。同時推動文本檢索從“關(guān)鍵詞匹配”升級至“語義理解+動態(tài)交互”，為AI Agent與多模態(tài)應(yīng)用奠定基礎(chǔ)。

智東西 編譯 金碧輝 編輯 程茜

▲圖源阿里巴巴Qwen3-Embedding和Qwen3-Reranker系列模型技術(shù)報告

技術(shù)報告特別提醒，在實際檢索場景中，建議應(yīng)用者根據(jù)具體任務(wù)、語言和場景設(shè)計指令模板，否則可能影響效果。這一細(xì)節(jié)可能反映出AI模型正從“通用泛化”向“精準(zhǔn)專用”演進(jìn)，也為行業(yè)提供了新的優(yōu)化思路。

https://github.com/QwenLM/Qwen3-Embedding

結(jié)語：告別通用泛化！阿里報告揭示：文本處理進(jìn)入精準(zhǔn)專用

另外，Qwen3-Reranker模型或推動高精度檢索技術(shù)普及，企業(yè)知識庫問答準(zhǔn)確率提升40%，大幅降低人工成本；跨境電商實現(xiàn)119語言商品精準(zhǔn)搜索，誤檢率下降35%；科研法律領(lǐng)域長文檔檢索效率突破90%，加速信息提取。

Qwen3-Embedding 8B以70.58分登頂MTEB（當(dāng)前全球公認(rèn)的文本嵌入模型評測基準(zhǔn)，通過整合檢索、聚類、分類等7大場景，系統(tǒng)評估向量模型的語義表征能力）多語言榜全球第一，創(chuàng)歷史新高（截至2025年6月6日）；Qwen3-Reranker在mMARCO跨語言檢索中MRR@10達(dá)0.42，超越行業(yè)標(biāo)桿。雙模型支持119種語言及編程語言，提供0.6B/4B/8B全尺寸覆蓋，其中Reranker對100文檔排序延遲壓至80ms內(nèi)（A100），長文本處理突破32k上下文。即日起雙模型在Hugging Face/GitHub/ModelScope開源免費商用，阿里云API同步上線。

針對長文檔場景，Qwen3-Reranker模型集成RoPE位置編碼與雙塊注意（Dual Chunk Attention）機(jī)制，有效避免長程信息丟失，確保32k上下文內(nèi)語義連貫性。

阿里巴巴Qwen3-Reranker系列模型提供了三種不同參數(shù)規(guī)模的模型配置，分別為0.6B、4B和8B參數(shù)，以滿足不同場景下的性能與效率需求。

智東西6月6日消息，昨天，阿里巴巴宣布推出Qwen3-Embedding和Qwen3-Reranker系列模型，正式發(fā)布Qwen3-Embedding和Qwen3-Reranker系列大模型技術(shù)報告，首次公開開源模型Qwen3-Embedding和Qwen3-Reranker的推理架構(gòu)、訓(xùn)練策略及評測結(jié)果。