通义千问发布全球首个开源多模态检索系统：Qwen3-VL-Embedding 与 Qwen3-VL-Reranker 正式上线

2025年6月，通义千问推出文本检索模型 Qwen3-Embedding 和 Qwen3-ReRanker，迅速成为全球开发者在多语言搜索、聚类与分类任务中的首选工具。如今，这一系列迎来里程碑式升级——通义千问正式发布 **Qwen3-VL-Embedding** 与 **Qwen3-VL-Reranker**，首次实现文本、图像、截图、视觉文档与视频的统一语义检索，标志着大模型从“读懂文字”迈向“看懂世界”。

为什么多模态检索是下一个AI落地关键？

你是否曾遇到这些场景？

• 用手机拍下一张产品包装，想搜出同款商品但找不到精准结果；
• 在短视频平台想找“如何修理漏水水龙头”的教程，却只能靠关键词匹配，错过大量带图解的视频；
• 跨国企业需要从海量PDF手册、产品图册、客服截图中快速定位技术文档，却苦于无法跨模态检索。

这些问题的根源，在于传统检索系统“只认文字”。而现实世界的信息，80%以上是图像、视频、图表、截图等非文本内容。Qwen3-VL 系列正是为破解这一难题而生——它不再把图像当“装饰”，而是当作和文字一样可语义编码、可比较相似度的核心数据。

两阶段架构，打造工业级多模态检索引擎

新模型采用业界公认的“召回+重排”双阶段架构，兼顾效率与精度：

Qwen3-VL-Embedding：负责“广撒网”。它能将文本、图片、视频帧、PDF截图等不同模态输入，统一映射到一个共享的语义向量空间。无论你输入的是“一杯拿铁”文字，还是拍下的一张咖啡杯照片，模型都能生成可直接对比的向量，实现“图文互搜”、“以图搜视频”、“截图找文档”等跨模态匹配。支持8B参数版本，单机可处理百万级图像/文本向量，响应时间低于200ms，适配企业级检索系统。

Qwen3-VL-Reranker：负责“精筛选”。在Embedding召回的数百个候选结果中，它会对每一对“查询—内容”进行深度联合理解。比如：用户搜索“适合办公室的绿植”，Reranker不仅能识别图片中的植物种类，还能判断背景是否为办公桌、光线是否自然、是否带花盆等细节，最终输出更贴近真实需求的排序分数。

这套组合已在阿里电商、钉钉知识库、通义万相等内部场景中验证，实测将“以图搜图”准确率提升37%，视频内容匹配准确率提升42%。

真正开箱即用：支持30+语言，可定制、可量化、可集成

不同于许多“实验室原型”，Qwen3-VL系列从设计之初就面向工程落地：

• 多语言支持：覆盖中、英、西、法、德、日、韩、俄、阿拉伯语等30+主流语言，适用于全球化企业与跨境平台；
• 灵活向量维度：提供512/768/1024三种输出维度，适配不同存储与算力需求；
• 向量量化无损：即使压缩至8bit，性能下降不足3%，可无缝接入Milvus、Weaviate、Pinecone等主流向量数据库；
• 任务指令定制：支持通过Prompt微调模型行为，例如指定“仅匹配高清产品图”或“忽略背景文字”；
• 开源全栈：提供模型权重、推理代码、微调脚本、评估工具链，GitHub仓库已开放，支持Hugging Face与ModelScope一键部署。

权威评测领先，多模态检索新标杆

在权威多模态基准测试 MMEB-v2 和 MMTEB 上，Qwen3-VL-Embedding-8B 在“图文检索”、“视觉文档匹配”、“视频文本对齐”等子任务中全面领先同规模模型，部分指标超越闭源模型如CLIP-ViT-L/14。

在纯文本多语言任务中，其表现略低于纯文本模型（如Qwen3-Embedding），但仍在开源模型中稳居前二，证明其“多模态能力”并未牺牲基础语言理解。

而 Qwen3-VL-Reranker-8B 在所有重排任务中持续碾压传统BM25、ColBERT等基线模型，尤其在“图文混合查询”场景下，相关性排序准确率提升达50%以上。

不只是模型，更是生态的开始

“我们不只想做一个更好的检索模型，”通义千问团队表示，“而是希望推动整个行业从‘文本优先’转向‘多模态优先’。”

目前，Qwen3-VL-Embedding 与 Qwen3-VL-Reranker 已在 GitHub 开源，配套提供：

• 完整推理Demo（支持Web端上传图片/视频直接搜索）
• 针对电商、教育、政务、医疗等行业的微调模板
• 与LangChain、LlamaIndex的集成示例

未来，通义千问计划开放“多模态检索API”服务，并联合开发者共建“视觉语义标注数据集”，推动中文多模态语义理解的标准化。

如果你正在开发智能客服、内容平台、数字资产管理、AI导购或跨模态搜索产品——现在，是时候用一个真正能“看懂世界”的模型，重新定义你的检索系统了。

???? 开源地址：https://github.com/QwenLM/Qwen3-VL-Embedding