Qwen: Qwen3 Embedding 4B

A Qwen3-Embedding-4B a Qwen beágyazási és újrarangsorolási modellcsaládjának 4B méretű szövegbeágyazó kiadása. A sűrű architektúrájú Qwen3 alapmodellre épülve egy szövegrészt a jelentését kifejező numerikus reprezentációvá alakít. A Qwen a szöveg-visszakeresést, kód-visszakeresést, osztályozást, klaszterezést és kétnyelvű szövegpárok kinyerését nevezi meg alkalmazási területként. Akkor hasznos, ha egy alkalmazásnak kapcsolódó szövegrészeket kell találnia, hasonló rekordokat kell csoportosítania vagy különböző nyelvű szövegeket kell összehasonlítania. A modell kimenete beágyazási vektor, nem beszélgetési válasz vagy átírt dokumentum.

Ennek a pontos kiadásnak 32K tokenes szekvenciahossza és legfeljebb 2 560 dimenziós beágyazása van. A Matryoshka Representation Learning révén 32 és 2 560 közötti egyedi kimeneti dimenziót támogat. A választott vektorhossz befolyásolja a reprezentáció tárolását és összehasonlítását, ezért egy gyűjteményben a lekérdezés- és dokumentumvektoroknál tartsa egységesen. A Qwen3-Embedding-8B más modellméretű, és legfeljebb 4 096 dimenziót kínál; sem ez a kimeneti méret, sem a 8B modell identitása nem vihető át erre a 4B kiadásra. Egy meglévő indexnek meg kell őriznie saját, következetesen alkalmazott reprezentációs beállításait.

A gyártó több mint 100 nyelv támogatását írja le, a programozási nyelveket is beleértve, többnyelvű, nyelvek közötti és kód-visszakereséssel. Egy szemléltető súgóközponti keresés összehasonlíthatja a felhasználó kérdését több nyelven írt szövegrészekkel, majd visszaadhatja a témához illő eredeti részleteket. Kódkereséskor egy természetes nyelvű leírás vethető össze a releváns függvényekkel és dokumentációjukkal. A szöveg előkészítésekor őrizze meg a jelentéssel bíró címeket, szakterületi kifejezéseket és azonosítókat, és minden reprezentált szövegrészt kapcsoljon a forrásához, hogy az alkalmazás meg tudja jeleníteni a megfelelő anyagot.

A Qwen3-Embedding-4B figyelembe veszi az utasításokat. A Qwen azt javasolja, hogy minden lekérdezéshez egy mondatban írja le a feladatot a kívánt visszakeresési kapcsolathoz igazítva, többnyelvű esetekhez pedig angol utasításokat ajánl. A közvetlen példában az Instruct: áll a feladatleírás előtt, a Query: pedig a lekérdezés szövege előtt. A visszakeresendő dokumentumokat e lekérdezési utasítás nélkül kódolják. Egy saját gyakorlati utasítás megadhatja például egy jelentett hibát megmagyarázó dokumentációrészletek vagy a leírt működést megvalósító forráskódrészletek keresését. Ez a reprezentációt az alkalmazás kérdéséhez igazítja, nem válasz megírására kéri a modellt.

A hivatalos példák lekérdezés- és dokumentumszövegeket kódolnak, koszinuszhasonlósággal hasonlítják össze a beágyazásaikat, és bemutatják az utolsó token rejtett állapotának összesítését, majd normalizálását. Ebben az alacsonyabb szintű példában a bemenetet egy választott, 8 192 tokenes beállításnál csonkolják; a dokumentált modellszekvencia-hossz továbbra is 32K. Hosszú anyagnál döntse el, mely szövegrészeket reprezentálja, és gondoskodjon róla, hogy a csonkolás ne távolítsa el észrevétlenül a lekérdezéshez szükséges részt. A vektorokat stabil forráshivatkozásokkal tárolja, hasonlítsa össze az előkészített lekérdezést a gyűjteménnyel, és hasonlósági sorrendben adja vissza a hozzájuk tartozó szövegrészeket.

A Qwen beágyazó modellje kétkódolós megközelítést használ, míg külön újrarangsoroló modelljei keresztkódolóval értékelik a lekérdezés–dokumentum párokat. A kiadási ismertető ezek együttes használatát írja le: a beágyazások megtalálják a kezdeti jelölteket, majd egy újrarangsoroló finomíthatja a sorrendjüket. Maga a Qwen3-Embedding-4B egyetlen szöveg reprezentációját adja. Vektora nem újrarangsorolási pontszám, ellenőrzött állítás vagy generált válasz. Ha a végső munkafolyamat visszakeresett anyag alapján válaszol kérdésekre, a kiválasztott forrásszövegrészek maradnak a következő lépésnek átadott bizonyítékok.