在信息爆炸的时代，我们早已不满足于仅用文字搜索。想找一张“赛博朋克风格的城市夜景”？想从海量视频中找出“那个穿红衣服跳舞的人”？甚至想根据一份复杂的财报截图提问？这些跨模态的复杂需求，正推动着搜索技术进入一个全新的纪元。

今天，通义千问（Qwen）团队正式推出其多模态检索领域的最新力作——Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 模型系列。它们不是简单的工具，而是一对配合默契的“AI搭档”，共同构建了一个端到端的高精度多模态搜索管道，旨在彻底打通文本、图像、文档和视频之间的语义壁垒。

一套组合拳：从海量召回，到精准排序

想象一下你在电商平台搜索“有落地窗的现代简约风客厅”。理想情况下，系统不仅应该返回相关的文字描述，更应该直接展示符合这一美学风格的实景照片或视频。这背后，其实是一个两阶段的精密过程：

第一阶段：快速召回（Embedding）

系统需要将你的文字查询（Query）和数据库里成千上万的图片、视频（Documents）都转换成一种通用的“语言”——即高维向量（Embedding）。然后通过计算向量间的相似度（如余弦相似度），快速筛选出最相关的几百个候选结果。这个过程要求快且准。

第二阶段：精细排序（Reranking）

在第一阶段召回的候选结果中，哪些才是真正最贴切的？这就需要一个更“聪明”的模型，对查询和每个候选文档进行深度交互和理解，给出一个精确的相关性打分，从而对结果进行重新排序。这个过程要求深且精。

Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 正是为这两个核心任务量身打造的“黄金搭档”，共同构建了一个端到端的高性能多模态检索管道。

 01

Qwen3-VL-Embedding：

强大的多模态“翻译官”

作为召回阶段的核心，Qwen3-VL-Embedding 的目标是将文本、图像、文档图像乃至视频，全部映射到一个统一的语义表示空间中。正如论文中的 Figure 1 所生动展示的那样，无论是文字“城市建筑”，还是其对应的实景照片，都会被编码成空间中邻近的点，从而实现了跨模态的语义对齐。

为了让这位“翻译官”能力超群，研究团队设计了一套复杂的多阶段训练范式（见论文 Figure 5）：

• 第一阶段：大规模对比预训练，在海量合成数据上建立基础的跨模态理解能力。

• 第二阶段：多任务对比学习，结合高质量的公开和内部数据，针对不同任务（如分类、问答、检索）进行精细化训练。

• 第三阶段：重排序模型蒸馏，将更强大的Qwen3-VL-Reranker的“判断力”反哺给Embedding模型，使其生成的向量能更好地服务于最终的排序目标。

此外，该模型还集成了两大实用特性：

• Matryoshka Representation Learning (MRL)：支持灵活的嵌入维度。用户可以根据自己的存储和算力需求，在不重新训练的情况下，自由选择使用2048维（2B模型）或4096维（8B模型）的完整向量，或是更低维度的子向量。

• 量化感知训练 (QAT)：确保模型在低精度（如int8）量化后，性能依然稳健，极大降低了部署成本。

02

Qwen3-VL-Reranker：

犀利的多模态“裁判员”

如果说Embedding模型是广撒网的侦察兵，那么Reranker模型就是一锤定音的裁判员。它采用交叉编码器（Cross-Encoder）架构（见论文 Figure 2），能够对查询和文档进行深度的交叉注意力交互，捕捉二者之间最细微的语义关联。

它的输入格式非常直观，通过一个明确的指令（Instruction），让模型判断“文档是否满足查询的要求”，并输出“yes”或“no”的概率。最终的相关性得分由这两个token的logit差值通过Sigmoid函数计算得出。

全面领先：SOTA性能与强大泛化能力

这套组合拳的威力，在多个权威基准测试中得到了充分验证。

 01

多模态检索的绝对王者

在目前最全面的多模态嵌入评测基准 MMEB-V2 上，Qwen3-VL-Embedding-8B 以 77.8 的总分强势登顶，超越了所有开源和闭源模型，包括OpenAI、Gemini等业界巨头（截至2025年1月8日）。这一辉煌战绩在论文的 Table 2 中有完整呈现。无论是在图像、视频还是视觉文档领域，它都展现出了卓越且均衡的性能。

02

视觉文档检索的新标杆

在专门针对PDF、扫描件等视觉文档的检索任务上（如JinaVDR, Vidore-v3），Qwen3-VL-Embedding的表现甚至可以媲美计算成本高昂的ColPali系列模型。而Qwen3-VL-Reranker则更进一步，大幅超越了同规模的ColPali模型。具体数据请参考论文 Table 3。

 03

纯文本任务也不落下风

尽管是为多模态而生，但得益于其强大的Qwen3-VL基座，该系列模型在纯文本任务上同样表现出色。在 MMTEB 多语言文本嵌入基准上，Qwen3-VL-Embedding-8B取得了 67.9 的平均分，与同体量的纯文本嵌入模型相比毫不逊色（见论文 Table 4）。

04

重排序能力全面提升

最后，Qwen3-VL-Reranker自身的能力也极为强悍。在对Embedding模型召回的Top-100结果进行重排后，各项指标均得到显著提升。其中，8B版本的Reranker在几乎所有任务上都取得了最佳性能（见论文 Table 5）。

结论

总而言之，Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 不仅为多模态检索领域树立了新的技术标杆，其灵活的部署选项（2B/8B参数规模、MRL、QAT）也极大地降低了工业界应用的门槛。它们不仅是强大的技术工具，更是推动下一代智能搜索、内容推荐和多模态RAG（检索增强生成）系统发展的关键基石。

行业领先的AI服务供应商

探索智能边界

发现无限可能