今天阿里通义千问团队开源了Qwen3 Embedding系列模型，并发布了《Qwen3 Embedding: Advancing Text Embedding and Reranking Through Foundation Models》技术报告，介绍了 Qwen3 Embedding 系列模型。该模型在文本嵌入和重排序领域取得了显著进步，为自然语言处理（NLP）和信息检索应用提供了强大的工具。

1、背景知识

文本嵌入和重排序是多项 NLP 和信息检索应用的基础组件，如网络搜索、问答系统和推荐系统等。高质量的嵌入可以使模型捕捉文本之间的语义关系，而有效的重排序机制则确保将最相关的结果优先展示。随着大型语言模型（LLMs）的出现，文本嵌入和重排序模型得到了进一步发展。然而，训练在可扩展性、上下文理解和与特定下游任务对齐方面表现出色的嵌入和重排序模型仍然具有挑战性。

2、研究方法

2.1、Qwen3 基础模型

Qwen3 Embedding 系列基于 Qwen3 基础模型构建。Qwen3 基础模型具备强大的多语言文本理解和生成能力，为嵌入和重排序模型的训练提供了坚实的基础。

2.2、多阶段训练流程

Qwen3 Embedding 系列采用多阶段训练流程，包括大规模无监督预训练和在高质量数据集上的监督微调。此外，还采用模型融合策略，将多个模型检查点合并，以增强模型的鲁棒性和适应性。

1. 无监督预训练：利用 Qwen3 指令模型合成大规模、高质量、多语言和多任务的文本相关性数据集。这些合成数据用于初始的无监督训练阶段。
2. 监督微调：从合成数据中筛选出高质量的小规模数据用于监督训练阶段。这一阶段使用基于 InfoNCE 框架的改进对比损失函数进行优化。
3. 模型融合：使用球面线性插值（slerp）技术，将监督微调过程中保存的多个模型检查点合并，以提升模型在不同数据分布上的鲁棒性和泛化性能。

2.3、嵌入模型架构

Qwen3 嵌入模型基于 Qwen3 基础模型的密集版本构建，有 0.6B、4B 和 8B 三种参数规模。模型通过因果注意力机制处理输入序列，并在序列末尾添加 [EOS] 令牌。最终嵌入从最后一层对应 [EOS] 令牌的隐藏状态中获取。为了使嵌入在下游任务中遵循指令，将指令与查询拼接为一个输入上下文，而文档保持不变。

2.4、重排序模型架构

Qwen3 重排序模型同样基于 Qwen3 基础模型的密集版本构建，有 0.6B、4B 和 8B 三种参数规模。模型使用 LLM 聊天模板，将相似度评估任务视为二元分类问题。输入遵循特定模板，模型通过计算下一个令牌为“是”或“否”的可能性来确定相关性分数。

3、实验评估

3.1、评估基准

Qwen3 嵌入模型在多个基准测试中进行了全面评估，包括大规模多语言文本嵌入基准（MMTEB）、MTEB（英语、v2）、CMTEB 和 MTEB（代码）等。评估涵盖文本检索、分类、语义文本相似性等多种任务。

3.2、主要结果

1. 嵌入模型：Qwen3-Embedding-4B 和 8B 模型在 MMTEB 评估中表现最佳。即使是最小的 Qwen3-Embedding-0.6B 模型，仅拥有 0.6B 参数，其性能也仅略低于表现最佳的基线方法（Gemini-Embedding），与 gte-Qwen2-7B-instruct 具有竞争力。
2. 重排序模型：所有三个 Qwen3 重排序模型相较于嵌入模型均提升了性能，并超越了所有基线重排序方法。Qwen3-Reranker-8B 模型在大多数任务中表现最佳，相较于 0.6B 模型，在多个任务中排名结果提高了 3.0 分。

3.3、分析

1. 大规模弱监督预训练的有效性：仅在合成数据上训练的 Qwen3-Embedding-0.6B 模型相较于最终模型表现出了合理的性能。如果进一步去除弱监督训练阶段，最终性能明显下降，表明大规模弱监督训练阶段对于实现卓越性能至关重要。
2. 模型融合的有效性：未采用模型融合技术训练的模型性能明显不如采用模型融合的最终 Qwen3-Embedding-0.6B 模型，表明模型融合阶段对于开发强大的模型至关重要。

4、关键结论

Qwen3 Embedding 系列模型基于 Qwen3 基础模型，通过多阶段训练流程、合成数据和模型融合策略，在文本嵌入和重排序任务中取得了最先进的性能。这些模型在多语言检索、代码检索和复杂指令遵循等任务中表现出色，并且在多个基准测试中超越了现有的开源模型和商业 API 服务。Qwen3 Embedding 和 Qwen3 重排序模型（0.6B、4B 和 8B）已开源，可供社区使用和进一步开发。

通过这篇技术报告，我们深入解析了 Qwen3 Embedding 系列模型的设计、训练方法和实验评估。这一模型的出现为文本嵌入和重排序领域带来了新的突破，有望在众多 NLP 和信息检索应用中发挥重要作用。

5、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】