> ## Documentation Index
> Fetch the complete documentation index at: https://blog.pig4cloud.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Qwen embed

# Qwen3 Embedding：向量化模型的新突破与实践指南

## 引言

在人工智能飞速发展的今天，向量化技术已成为现代 AI 应用的基石。从搜索引擎到推荐系统，从文档检索到语义分析，向量模型正在重新定义我们处理和理解文本信息的方式。2025 年 6 月，阿里巴巴 Qwen 团队发布了全新的 Qwen3 Embedding 系列模型，这一系列模型在多项基准测试中取得了突破性表现，特别是在 MTEB 多语言排行榜上，8B 模型以 70.58 的成绩位居榜首。

本文将深入解析 Qwen3 Embedding 模型的技术特性、应用场景以及实际部署方案，为开发者提供全面的技术参考。

## 什么是向量化模型？

向量化模型能够将文本、图像、视频等数据转换为数学空间中的向量。通过计算向量之间的距离或夹角，可以量化数据的相似度，从而作用于精准搜索、智能推荐、自动分类及异常检测等任务。

### 中文向量化模型的发展现状

![iTT4UL](https://minio.pigx.vip/oss/202506/iTT4UL.png)

在开源向量化模型领域，特别是支持中文的高质量模型相对稀缺。长期以来，
BGE 系列（BAAI 智源研究院）一直是中文向量化任务的标杆模型，在信息检索、文档相似度计算等任务中表现优异。然而，随着应用场景的复杂化和长文本处理需求的增长，传统的中等规模模型在某些场景下开始显现局限性。

**市场痛点：**

* **规模受限**：大多数开源中文向量模型参数量较小，在复杂语义理解上存在不足
* **上下文长度**：传统模型普遍支持 512-1024token，难以处理长文档
* **任务泛化**：针对特定领域优化的模型在跨领域应用时性能下降
* **多语言能力**：专门的中文模型在多语言混合场景下表现不佳

Qwen3 Embedding 的发布填补了这一市场空白，特别是 8B 规模的模型，在保持开源开放的同时，实现了与商业模型相媲美的性能表现。这标志着中文向量化模型进入了一个新的发展阶段。

## Qwen3 Embedding 模型概览

### 模型架构特点

Qwen3 Embedding 系列基于 Qwen3 基础模型构建，采用了先进的双编码器和交叉编码器架构。通过 LoRA 微调技术，充分保留并增强了基础模型的文本理解能力。

**技术亮点：**

* **多尺寸选择**：提供 0.6B、4B、8B 三种规模的嵌入模型
* **长文本支持**：支持最大 32K token 的输入长度
* **自定义维度**：支持用户自定义输出向量维度
* **指令感知**：支持任务特定的指令调优
* **多语言能力**：支持 100+ 种语言和方言

### 模型规格对比

| 模型类型 | 模型名称                 | 参数量  | 层数 | 序列长度 | 嵌入维度 | MRL 支持 | 指令感知 |
| ---- | -------------------- | ---- | -- | ---- | ---- | ------ | ---- |
| 文本嵌入 | Qwen3-Embedding-0.6B | 0.6B | 28 | 32K  | 1024 | ✅      | ✅    |
| 文本嵌入 | Qwen3-Embedding-4B   | 4B   | 36 | 32K  | 2560 | ✅      | ✅    |
| 文本嵌入 | Qwen3-Embedding-8B   | 8B   | 36 | 32K  | 4096 | ✅      | ✅    |
| 文本重排 | Qwen3-Reranker-0.6B  | 0.6B | 28 | 32K  | -    | -      | ✅    |
| 文本重排 | Qwen3-Reranker-4B    | 4B   | 36 | 32K  | -    | -      | ✅    |
| 文本重排 | Qwen3-Reranker-8B    | 8B   | 36 | 32K  | -    | -      | ✅    |

## 性能基准测试

### MTEB 多语言基准

在 MTEB（多语言文本嵌入基准）测试中，Qwen3-Embedding-8B 取得了显著成果：

| 模型                     | 参数量  | 平均分（任务）   | 平均分（类型）   | 双文本挖掘     | 分类        | 聚类        | 检索        | 语义相似性     |
| ---------------------- | ---- | --------- | --------- | --------- | --------- | --------- | --------- | --------- |
| Qwen3-Embedding-0.6B   | 0.6B | 64.33     | 56.00     | 72.22     | 66.83     | 52.33     | 64.64     | 76.17     |
| Qwen3-Embedding-4B     | 4B   | 69.45     | 60.86     | 79.36     | 72.33     | 57.15     | 69.60     | 80.86     |
| **Qwen3-Embedding-8B** | 8B   | **70.58** | **61.69** | **80.89** | **74.00** | **57.65** | **70.88** | **81.08** |

### 中文基准测试（C-MTEB）

在中文文本嵌入基准测试中的表现：

| 模型                     | 参数量  | 平均分（任务）   | 分类        | 聚类        | 配对分类  | 重排    | 检索        | 语义相似性 |
| ---------------------- | ---- | --------- | --------- | --------- | ----- | ----- | --------- | ----- |
| Qwen3-Embedding-0.6B   | 0.6B | 66.33     | 71.40     | 68.74     | 76.42 | 62.58 | 71.03     | 54.52 |
| Qwen3-Embedding-4B     | 4B   | 72.27     | 75.46     | 77.89     | 83.34 | 66.05 | 77.03     | 61.26 |
| **Qwen3-Embedding-8B** | 8B   | **73.84** | **76.97** | **80.08** | 84.23 | 66.99 | **78.21** | 63.53 |

## Ollama 本地部署

### 安装和配置

对于想要本地部署 Qwen3 Embedding 模型的用户，可以通过 Ollama 进行快速安装和使用：

```bash theme={null}
# 安装Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 运行Qwen3嵌入模型
ollama run Q78KG/Qwen3-Embedding-8B:latest
```

### 在线 API

```xml theme={null}
curl https://ai.gitee.com/v1/embeddings \
  --request POST \
  --header 'Content-Type: application/json' \
  --data '{
  "model": "Qwen3-Embedding-8B",
  "input": "",
  "encoding_format": "float",
  "dimensions": 1,
  "user": null
}'
```

![KUM9wx](https://minio.pigx.vip/oss/202506/KUM9wx.png)

*本文基于 Qwen3 Embedding 的最新技术文档和基准测试结果撰写，旨在为开发者提供全面的技术参考。如有技术问题或建议，欢迎通过官方渠道反馈。*