Это шаг вперёд в мультимодальном поиске и кросс-модальном понимании: представили Qwen3-VL-Embedding и Qwen3-VL-Reranker

Основные моменты:
✅Построены на базе модели Qwen3-VL
✅Обрабатывают текст, изображения, скриншоты, видео и смешанные входы
✅Поддерживают 30+ языков
✅Показывают SOTA-результаты на мультимодальных retrieval-бенчмарках
✅Open source и доступны на Hugging Face, GitHub и ModelScope
✅API-деплой на Alibaba Cloud скоро появится

Двухфазная retrieval-архитектура:

» Embedding-модель - генерирует семантически насыщенные векторные представления в едином embedding-пространстве
» Reranker-модель - вычисляет более точные релевантностные оценки для повышения качества поиска

Ключевые сценарии применения:

image-text retrieval, видео-поиск, мультимодальный RAG, visual question answering, мультимодальное кластерирование контента, мультиязычный визуальный поиск и другое

Возможности для разработчиков:

• Настраиваемая размерность embeddings
• Кастомизация инструкций под задачу
• Поддержка quantization для embeddings для более эффективного и дешёвого продакшн-деплоя

Hugging Face：qwen3-vl-embedding / qwen3-vl-reranker

ModelScope：Qwen3-VL-Embedding / Qwen3-VL-Reranker

Github: тут
Блог: читать
Технический отчет: читать