前言

先看下Qwen3-Embedding 的表现，在好几个实际应用测试中都排到了行业最前面！

• 尤其是它那个 8B 大小的版本，在最新的多语言榜单（MTEB）上直接拿了第一名（截止到 2025 年 6 月 6 日，得分 70.58），比很多收费的商业服务还要强！
• 另外，这个系列的“排序”模型也特别给力，在各种需要查找文本的场景里效果都特别好，让搜出来的结果更准、更相关了。

而且还有其他的特性：

Qwen3-Embedding 系列设计得超级灵活！

• 多种尺寸，按需选择： 它提供了三种不同大小的模型（0.6B、中等大小、一直到最大的 8B），就像有小杯、中杯、超大杯一样。你可以根据自己需要的速度和效率来挑选最合适的那一个。
• 模块自由组合，功能更强大： 开发者还能把它的“理解文本”（表征）和“给结果排序”这两个核心模块像搭积木一样灵活组合，实现更复杂的功能。

而且，它还支持你“私人定制”：

1. 压缩数据，省时省力： 你可以调整它生成的文本“特征向量”的大小。需要小巧高效就调小点，能有效降低使用成本；需要更精细就调大点。想怎么调就怎么调！
2. 教它“说你的话”： 支持你设定自己专属的“指令模板”。比如告诉它“用医疗术语回答”或者“优先考虑中文结果”，这样它在处理你关心的特定任务、语言或场景时，表现就会更出色。

全球语言通吃：

• 这个系列厉害的地方是，它精通超过 100 种语言！不管是日常用的主流语言，还是程序员写的各种代码语言，它都能搞定。
• 
  
• 它特别擅长在多语言环境下工作，无论是处理单一语言的资料，还是跨越不同语言查找信息（比如用中文搜英文内容），甚至是在一堆代码里找片段，它都能高效、准确地帮你把需要的数据找出来。

发布的模型，包括有下面具体的模型：

模型架构：

基于Qwen3基础模型，Embedding模型和Reranker模型分别采用了双塔结构和单塔结构的设计。通过LoRA微调，我们最大限度地保留并继承了基础模型的文本理解能力。

该系列模型已在 HuggingFace、ModelScope 和 GitHub 平台开源。

Hugging Face：

• https://huggingface.co/collections/Qwen/qwen3-reranker-6841b22d0192d7ade9cdefea
• https://huggingface.co/collections/Qwen/qwen3-embedding-6841b2055b99c44d9a4c371f

GitHub：

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

而且现在可以在阿里百炼平台进行体验了！我们可以耍起来！