通义千问发布 Qwen3 Embedding 系列，专为文本表征、检索与排序任务设计。8B 参数版本在 MTEB 多语言 Leaderboard 中以 70.58 分位列第一，超越众多商业 API 服务。全系列采用 Apache 2.0 协议开源，提供 0.6B、4B、8B 三种参数规模。
Qwen3-Embedding-8B 在 MTEB 多语言 Leaderboard 上以 70.58 分位列第一，这是目前国内开源 Embedding 模型在该榜上取得的最好成绩。与此同时，排序模型在中文检索场景中同样表现强势。
注：MTEB 多语言榜涵盖 100+ 语言的检索、聚类、分类等任务；CMTEB-R 为中文检索子集；MTEB-Code 为代码检索子集。分数越高代表性能越好。
注：榜单基于 CMTEB-R 中文检索数据集，排序结果基于 Qwen3-Embedding-0.6B 的 top-100 向量召回结果进行排序。柱形宽度按得分比例缩放，非零起点。
Qwen3 Embedding 系列的核心竞争力在于 泛化性、灵活性与多语言支持 三位一体。它不只是一个模型，而是一套可组合的检索基础设施。
依赖社区论坛或开源数据筛选获取弱监督文本对，受限于数据质量与覆盖范围，跨语言泛化能力有限。
利用 Qwen3 基础模型的生成能力动态构建弱监督文本对，突破数据瓶颈，实现 100+ 语言的高质量表征。
Embedding 模型采用双塔结构，取最后一层 [EOS] 向量作为语义表示；Reranker 模型采用单塔结构，直接计算文本对相关性得分。两者通过 LoRA 微调最大限度地保留了 Qwen3 基础模型的文本理解能力。
Qwen3 Embedding 系列提供从 0.6B 到 8B 的三种配置，覆盖从端侧到云端的部署需求。所有模型均支持指令适配与自定义维度。
注：MRL（Matryoshka Representation Learning）支持用户按需裁剪嵌入维度，平衡精度与存储成本。所有 Reranker 模型同样支持指令适配，但不输出固定维度向量。
Qwen3 Embedding 的训练继承了 GTE-Qwen 的多阶段范式，但针对数据生成环节做了关键创新。
第一阶段是核心创新所在：传统方法依赖社区论坛或开源数据筛选获取弱监督文本对，覆盖有限。Qwen3 Embedding 利用 Qwen3 基础模型的文本生成能力，针对不同任务类型和语言特性动态生成弱监督文本对，实现了大规模弱监督数据的高效生产。
Reranker 模型则走了一条更直接的路径：基于实验验证，直接使用高质量标注数据进行监督训练，跳过了预训练阶段，在保证性能的同时大幅提升了训练效率。
Reranker 模型的训练数据质量和多样性，直接决定了排序能力的上限。Qwen3 团队在标注数据的覆盖广度上做了大量工作，这是其在 CMTEB-R 上领先的关键原因之一。
Embedding 模型正在成为 AI 基础设施的"隐形赛道"。Qwen3 Embedding 的突破不在于单一指标的提升，而在于证明了"生成式数据 + 多阶段训练"的范式可以在多语言检索上系统性超越传统社区数据路线。开源策略让这套能力成为行业公共品，未来竞争将从模型参数转向数据生成与工程落地的精细化程度。
免责声明：本文基于公开技术博客与评测数据整理，评测结果可能因版本迭代有所变化，请以官方最新发布为准。
Qwen3 Embedding 全系列已通过 Hugging Face 与 ModelScope 开放，基于 Apache 2.0 协议，可自由用于商业与研究场景。
huggingface.co/Qwen → 下载模型