6 月 6 日消息，阿里今日凌晨開源了 Qwen3-Embedding 系列模型（Embedding 及 Reranker），專為文本表征、檢索與排序任務設計，基于 Qwen3 基礎模型進行訓練。

官方表示，在多項基準測試中，Qwen3-Embedding 系列在文本表征和排序任務中展現了卓越的性能。

其具備如下特點：

卓越的泛化性：Qwen3-Embedding 系列在多個下游任務評估中達到行業領先水平。其中，8B 參數規模的 Embedding 模型在 MTEB 多語言 Leaderboard 榜單中位列第一（截至 2025 年 6 月 6 日，得分 70.58），性能超越眾多商業 API 服務。此外，該系列的排序模型在各類文本檢索場景中表現出色，顯著提升了搜索結果的相關性。

靈活的模型架構：Qwen3-Embedding 系列提供從 0.6B 到 8B 參數規模的 3 種模型配置，以滿足不同場景下的性能與效率需求。開發者可以靈活組合表征與排序模塊，實現功能擴展。

此外，模型支持以下定制化特性：

表征維度自定義：允許用戶根據實際需求調整表征維度，有效降低應用成本； 指令適配優化：支持用戶自定義指令模板，以提升特定任務、語言或場景下的性能表現。

全面的多語言支持：Qwen3-Embedding 系列支持超過 100 種語言，涵蓋主流自然語言及多種編程語言。該系列模型具備強大的多語言、跨語言及代碼檢索能力，能夠有效應對多語言場景下的數據處理需求。

據介紹，Embedding 模型接收單段文本作為輸入，取模型最后一層「EOS」標記對應的隱藏狀態向量，作為輸入文本的語義表示；Reranker 模型則接收文本對（例如用戶查詢與候選文檔）作為輸入，利用單塔結構計算并輸出兩個文本的相關性得分。

附開源地址如下：

ModelScope：

https://modelscope.cn/collections/Qwen3-Embedding-3edc3762d50f48 https://modelscope.cn/collections/Qwen3-Reranker-6316e71b146c4fHugging Face ： https://huggingface.co/collections/Qwen/qwen3-embedding-6841b2055b99c44d9a4c371f https://huggingface.co/collections/Qwen/qwen3-reranker-6841b22d0192d7ade9cdefeaGitHub： https://github.com/QwenLM/Qwen3-Embedding技術報告： https://github.com/QwenLM/Qwen3-Embedding/blob/main/qwen3_embedding_technical_report.pdf