Qwen: Qwen3 Embedding 8B

Qwen3-Embedding-8B is het 8B-tekstembeddingmodel van Qwen, opgebouwd vanuit het dense Qwen3-basismodel. Het representeert tekst als numerieke vectoren in plaats van gespreksantwoorden te genereren. Qwen noemt tekstophaling, codeophaling, classificatie, clustering en mining van parallelle teksten als ondersteunde toepassingsgebieden. Een zoeksysteem kan die vectoren gebruiken om een vraag met relevante passages te vergelijken; een documentenverzameling kan semantisch gerelateerd materiaal vinden of records in groepen organiseren.

Het exacte model ondersteunt een sequentielengte van 32K tokens en embeddings met maximaal 4.096 dimensies. Het ondersteunt ook door de gebruiker gedefinieerde uitvoerdimensies van 32 tot 4.096 via Matryoshka Representation Learning. Vectorlengte wordt daardoor een bewuste ontwerpkeuze: een kortere vector verandert de grootte van de representatie, terwijl volledige uitvoer de maximale dimensionaliteit van het model behoudt. Houd de gekozen dimensie consistent voor documenten en zoekvragen die in één index worden vergeleken. Qwen3-Embedding-4B is een afzonderlijke editie met een andere maximale dimensie, geen uitwisselbare vectorbron voor een bestaande 8B-verzameling.

De ontwikkelaar beschrijft ondersteuning voor meer dan 100 talen, waaronder programmeertalen, en voor meertalige, taaloverschrijdende en codeophaling. Een praktische verzameling kan documenten in meerdere talen bevatten terwijl zoekvragen relevante betekenis zoeken, of broncodepassages die voor een vraag in natuurlijke taal geïndexeerd zijn. Behoud belangrijke identificaties, titels en domeintermen in de invoer. Bewaar bij code de omliggende uitleg van de functie of module bij het fragment als die context bij de vraag hoort. De uitvoer blijft een vectorrepresentatie; de tekst van het overeenkomende document teruggeven is de volgende stap van de zoektoepassing.

Het model houdt rekening met instructies. Qwen raadt één zin als instructie aan, afgestemd op de ophaaltaak, en voor meertalig gebruik wordt aanbevolen die instructie in het Engels te schrijven. Het directe voorbeeld formatteert een zoekvraag met Instruct: gevolgd door de taakbeschrijving en Query: gevolgd door de vraag. De op te halen documenten hebben in dat voorbeeld niet hetzelfde instructievoorvoegsel nodig. Een passende oorspronkelijke opdracht kan beschrijven dat technische passages gezocht worden die een gebruikersfout uitleggen, en vervolgens de specifieke foutbeschrijving in de zoekvraag plaatsen. De instructie omschrijft welke semantische relatie de zoekopdracht hoort te bevorderen.

De voorbeelden van Qwen coderen zoekvragen en documenten apart, vergelijken hun vectoren met cosinusgelijkenis en tonen een procedure op lager niveau die de verborgen toestand van het laatste token neemt en de embedding normaliseert vóór een inproductvergelijking. Een nuttige werkwijze houdt de vector van elke passage bij de bronidentificatie, vergelijkt een voorbereide zoekvraag met opgeslagen vectoren en retourneert de bijbehorende passages in volgorde van gelijkenis. De afkapinstelling van 8.192 tokens in het voorbeeld is een gekozen invoerverwerkingsinstelling, niet de gedocumenteerde sequentielengte van 32K. Controleer wat behouden blijft als u lange invoer voorbereidt.

Embedding- en rerankingmodellen zijn verschillende onderdelen van de Qwen-release. Een embeddingmodel representeert één tekstsegment en maakt een eerste gelijkeniszoekactie mogelijk. Een afzonderlijke reranker beoordeelt de relatie tussen een zoekvraag en kandidaatpassages en kan hun volgorde verfijnen. Qwen beschrijft het combineren van beide modules, maar Qwen3-Embedding-8B zelf retourneert embeddings, geen relevantiebeoordeling van een reranker of geschreven antwoord. Behoud voor ophalen gevolgd door een antwoord de overeenkomende brontekst en geef dat bewijs aan de antwoordfase. Kies voor de doorzochte verzameling een model, dimensie en zoekvraaginstructie en houd deze consistent.