Qwen3-VL-Embedding-2B

亮点

Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 模型系列是 Qwen 家族的最新成员，基于近期开源且强大的 Qwen3-VL 基础模型构建。该系列专为多模态信息检索和跨模态理解而设计，支持多种输入形式，包括文本、图像、截图和视频，以及包含这些模态混合的输入。

Embedding 模型生成高维向量，适用于检索和聚类等广泛场景；而 Reranker 模型则旨在优化这些结果，构建一套完整的先进多模态搜索流程。

• 多模态通用性：两个模型在统一框架内无缝处理多种输入——包括文本、图像、截图和视频。它们在图像-文本检索、视频-文本匹配、视觉问答（VQA）和多模态内容聚类等多样化多模态任务中均展现出领先性能。

• 统一表示学习（Embedding）：Embedding 模型利用 Qwen3-VL 架构，在共享空间中生成语义丰富的向量，同时捕捉视觉和文本信息。这有助于在不同模态之间进行高效的相似度计算和检索。

• 高精度重排序（Reranker）：我们还推出了 Qwen3-VL-Reranker 系列，作为 embedding 模型的补充。Reranker 以（查询，文档）对作为输入——其中查询和文档均可包含任意单一或混合模态——并输出精确的相关性分数。在检索流程中，这两个模型通常协同使用：embedding 模型负责高效的初步召回，而 reranker 则在后续的重排序阶段优化结果。这种两阶段方法显著提升了检索精度。

• 卓越实用性：该系列继承了 Qwen3-VL 的多语言能力，支持超过 30 种语言，非常适合全球应用。它在实际场景中具有高度实用性，提供灵活的向量维度、针对特定用例的可定制指令，即使在量化 embedding 下也表现出色。这些能力使开发者能够将两个模型无缝集成到现有流程中，释放强大的跨语言和跨模态理解能力。

模型概览

Qwen3-VL-Embedding-2B 具有以下特点：

• 模型类型：多模态 Embedding
• 支持语言：30 种以上语言
• 支持输入模态：文本、图像、截图、视频以及任意多模态组合（例如文本+图像、文本+视频）
• 参数量：2B
• 上下文长度：32k
• Embedding 维度：最高 2048，支持用户自定义输出维度，范围从 64 到 2048

更多详情，包括基准评估、硬件要求和推理性能，请参阅我们的技术报告、博客、GitHub。

Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 模型列表

注意：
- 量化支持 表示对输出 embedding 支持的量化后处理。
- MRL 支持 表示 embedding 模型是否支持自定义最终 embedding 的维度。
- 指令感知 表示 embedding 或 reranking 模型是否支持根据不同任务自定义输入指令。
我们的评估表明，对于大多数下游任务，使用指令（instruct）通常比不使用指令能带来 1% 到 5% 的提升。因此，我们建议开发者针对自己的任务和场景创建定制化的指令。在多语言环境中，我们也建议用户用英文编写指令，因为模型训练过程中使用的大多数指令最初都是用英文编写的。

模型性能

MMEB-V2 评估结果

MMEB-V2 基准测试结果。除 IFM-TTE 外，所有模型均具有 b