标题：阿里模型大升级：Qwen3新模型Embedding及Reranker，引领多语言、跨语言新潮流
随着人工智能技术的快速发展，文本表征、检索与排序任务的重要性日益凸显。近日，阿里巴巴在开源社区取得了重大突破，发布了专为文本表征、检索与排序任务设计的Qwen3-Embedding系列模型（Embedding及Reranker），基于Qwen3基础模型进行训练。这一系列模型在多项基准测试中展现了卓越的性能，具备卓越的泛化性和灵活的模型架构，支持全面的多语言支持，涵盖主流自然语言及多种编程语言。
一、卓越的泛化性
Qwen3-Embedding系列在多个下游任务评估中达到行业领先水平。其中，8B参数规模的Embedding模型在MTEB多语言Leaderboard榜单中位列第一（截至2025年6月6日，得分70.58），性能超越众多商业API服务。这一卓越的泛化性源于模型在训练过程中的良好适应性和对各种语言和情境的广泛适应性。该系列的排序模型在各类文本检索场景中表现出色，显著提升了搜索结果的相关性，进一步验证了其在各类实际应用中的优越性能。
二、灵活的模型架构
Qwen3-Embedding系列提供了从0.6B到8B参数规模的3种模型配置，以满足不同场景下的性能与效率需求。开发者可以灵活组合表征与排序模块，实现功能扩展。这一灵活的模型架构使得该系列模型能够适应各种复杂的应用场景，并能够根据实际需求进行定制化调整，以满足特定的性能和效率需求。
三、全面的多语言支持
Qwen3-Embedding系列支持超过100种语言，涵盖主流自然语言及多种编程语言。这一全面的多语言支持能力使得该系列模型具备强大的多语言、跨语言及代码检索能力，能够有效应对多语言场景下的数据处理需求。这一优势在当今全球化的信息时代显得尤为重要，能够帮助企业更好地应对多元文化背景下的数据处理挑战。
四、输入处理方式
Embedding模型接收单段文本作为输入，取模型最后一层“EOS”标记对应的隐藏状态向量，作为输入文本的语义表示。这种方式能够捕捉到输入文本的语义信息，为后续的文本表征和检索任务提供有力的支持。而Reranker模型则接收文本对（例如用户查询与候选文档）作为输入，利用单塔结构计算并输出两个文本的相关性得分。这种方式能够有效地对文本对进行排序，提升搜索结果的相关性。
五、开源社区的重要贡献
阿里巴巴此次发布的Qwen3-Embedding系列模型是开源社区的一大重要贡献。开源不仅促进了技术的交流和分享，还有助于推动技术的快速发展。通过开源社区的力量，该系列模型能够吸引更多的开发者参与测试和优化，进一步提高模型的性能和可靠性。同时，开源也为企业提供了更多的合作机会，有助于推动产业的发展。
总的来说，阿里模型大升级：Qwen3新模型Embedding及Reranker，具有卓越的泛化性、灵活的模型架构和全面的多语言支持，能够为文本表征、检索与排序任务提供有力的支持。这一突破性的成果将有望引领多语言、跨语言的新潮流，为人工智能技术的发展注入新的活力。
