IT之家 1 月 8 日消息，据通义大模型消息，今日正式发布并开源 Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 模型系列，这两个模型基于 Qwen3-VL 构建，专为多模态信息检索与跨模态理解设计，为图文、视频等混合内容的理解与检索提供统一、高效的解决方案。 IT之家附官方介绍如下： 多模态通用性 两个模型系列均能在统一框架内处理文本、图像、可视化文档（图表、代码、UI 组件......）、视频等多种模态输入。在图文检索、视频-文本匹配、视觉问答（VQA），多模态内容聚类等多样化任务中，均达到了业界领先水平。 统一表示学习（Embedding） Qwen3-VL-Embedding 充分利用 Qwen3-VL 基础模型的优势，能够生成语义丰富的向量表示，将视觉与文本信息映射到同一语义空间中，从而实现高效的跨模态相似度计算与检索。 图 1：统一多模态表示空间示意图。Qwen3-VL-Embedding 模型系列将多源数据（文本、图像、视觉文档和视频）映射到共同的高维语义空间。 高精度重排序（Reranker） 作为 Embedding 模型的补充，Qwen3-VL-Reranker 接收任意模态组合的查询与文档对（eg：图文查询匹配图文文档），输出精确的相关性分数。在实际应用中，二者常协同工作：Embedding 负责快速召回，Reranker 负责精细化重排序，构成"两阶段检索流程"，显著提升最终结果精度。 卓越的实用性 该系列继承了 Qwen3-VL 的多语言能力，支持超过 30 种语言，适合全球化部署。模型提供灵活的向量维度选择、任务指令定制，以及量化后仍保持的优秀性能，便于开发者集成到现有系统中。 在 MMEB-v2、MMTEB 等权威多模态检索基准测试中，Qwen3-VL 系列模型展现出了强劲实力。 Qwen3-VL-Embedding Qwen3-VL-Embedding-8B 模型在 MMEB-V2 上取得了业界领先的结果，超越了所有先前的开源模型和闭源商业服务。 在纯文本多语言 MMTEB 基准测试上，Qwen3-VL-Embedding 模型与同等规模的纯文本 Qwen3-Embedding 模型相比虽然有少许的性能差距。但与评测排行榜上其他同等规模的模型相比，它仍然展现出极具竞争力的性能表现。 图 2：Qwen3-VL-Embedding 在 MMEB-v2 和 MMTEB 评测集上的性能对比。 Qwen3-VL-Reranker 我们使用了 MMEB-v2 和 MMTEB 检索基准中各子任务的检索数据集进行评测。对于视觉文档检索，我们采用了 JinaVDR 和 ViDoRe v3 数据集。 评测结果表明，所有 Qwen3-VL-Reranker 模型的性能均持续优于基础 Embedding 模型和基线 Reranker 模型，其中 8B 版本在大多数任务中达到了最佳性能。 这些性能表现的背后，是针对多模态检索流程量身定制的架构设计。 Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 采用了不同的架构设计，分别针对检索流程的不同阶段进行优化。 图 2：Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 架构概览。左侧为 Embedding 模型的双塔独立编码架构，右侧为 Reranker 模型的单塔交叉注意力架构。 Qwen3-VL-Embedding 采用双塔架构，可以高效地将不同模态的内容独立编码为统一的向量表示，特别适合处理海量数据的并行计算。 Embedding 模型接收单模态或混合模态输入，并将其映射为高维语义向量。我们提取基座模型最后一层中对应 [EOS] token 的隐藏状态向量，作为输入的最终语义表示。这种方法确保了大规模检索所需的高效独立编码能力。 Qwen3-VL-Reranker 采用单塔架构，通过内部的交叉注意力机制，深度分析查询与文档之间的语义关联，从而输出精确的相关性分数。 在实际工作中，Reranking 模型接收输入对 (Query, Document) 并进行联合编码。它利用基座模型内的交叉注意力机制，实现 Query 和 Document 之间更深层、更细粒度的跨模态交互和信息融合。模型最终通过预测两个特殊 token（yes 和 no）的生成概率来表达输入对的相关性分数。 GitHub 仓库： https://github.com/QwenLM/Qwen3-VL-Embedding 魔搭 ModelScope： https://modelscope.cn/collections/Qwen/Qwen3-VL-Embedding https://modelscope.cn/collections/Qwen/Qwen3-VL-Reranker