Qwen-3（通义千问 3 系列模型） 中两种文本匹配模型训练与架构的讲解，核心是 “表示型文本匹配（Embedding）” 和 “交互型文本匹配（Reranking）” 的训练逻辑，分两部分看：

1. 左图：Qwen3-Embedding（表示型文本匹配）

• 用途：做 “表示型文本匹配”，核心是把文本转化为 Embedding 向量，通过向量相似度判断文本匹配度（比如检索场景，用向量找相似内容 ）。
• 输入结构：{instruction}+{Query} / {Doc} [EOS] ，把指令、查询文本、文档等拼接成一段文本输入模型。
• 训练逻辑：模型对输入文本编码，输出 “Embedding” 向量，让语义相似的文本向量更接近，实现文本表示与匹配。

2. 右图：Qwen3-Reranker（交互型文本匹配）

• 用途：做 “交互型文本匹配”，核心是模拟文本 交互过程 重新排序（比如对初筛的候选文档，进一步判断相关性，挑出最匹配的 ）。
• 输入结构：{instruction} {Query} + {Doc} Assistant ，把指令、查询、文档、助手角色等信息组合输入，模拟 “交互对话” 场景。
• 训练逻辑：模型通过 “M head” 输出 p("yes"|(i,q,d)) 概率，判断文本交互后的匹配度，让相关文本的 “yes” 概率更高，实现重排序。

总结

• 表示型（Embedding）：侧重 “静态向量表示”，用向量相似度快速筛文本；
• 交互型（Reranking）：侧重 “动态交互判断”，模拟对话逻辑精细排序。
  两者配合（比如先 Embedding 粗筛，再 Reranking 精排 ），能提升文本匹配的精度和效率，是大模型检索、问答系统里的常见组合思路。