Qwen: Qwen3 Embedding 4B

Qwen3-Embedding-4B is de 4B-editie voor tekstembeddings in Qwens familie voor embeddings en herrangschikking. Het model is gebouwd op het dense Qwen3-basismodel en zet een tekstsegment om in een numerieke weergave van de betekenis. Qwen noemt tekst zoeken, code zoeken, classificatie, clustering en het vinden van parallelle teksten als toepassingsgebieden. Het model is nuttig wanneer een toepassing verwante passages moet vinden, vergelijkbare records moet groeperen of teksten tussen talen moet vergelijken. De uitvoer is een embeddingvector, geen gespreksantwoord of herschreven document.

Deze specifieke editie heeft een sequentielengte van 32K tokens en een embeddingdimensie van maximaal 2.560. Het model ondersteunt aangepaste uitvoerdimensies van 32 tot 2.560 via Matryoshka Representation Learning. De gekozen vectorlengte beïnvloedt hoe de representatie wordt opgeslagen en vergeleken, dus houd die gelijk voor query- en documentvectoren binnen één verzameling. Qwen3-Embedding-8B heeft een andere modelomvang en een maximum van 4.096 dimensies; noch die uitvoeromvang, noch de identiteit van het 8B-model geldt voor deze 4B-editie. Een bestaande index moet zijn eigen consistente representatiekeuzes behouden.

De maker beschrijft ondersteuning voor meer dan 100 talen, waaronder programmeertalen, met meertalig, taaloverschrijdend en codegericht zoeken. Een voorbeeldzoekopdracht in een helpcentrum kan de vraag van een gebruiker vergelijken met passages in verschillende talen en vervolgens de originele passages teruggeven die bij het onderwerp passen. Een codezoekopdracht kan een beschrijving in natuurlijke taal vergelijken met relevante functies en hun documentatie. Bewaar betekenisvolle koppen, domeintermen en identificaties bij het voorbereiden van tekst. Houd elke gerepresenteerde passage gekoppeld aan de bron, zodat de toepassing het overeenkomende materiaal kan tonen.

Qwen3-Embedding-4B houdt rekening met instructies. Qwen adviseert elke query een taakbeschrijving van één zin mee te geven, afgestemd op de beoogde zoekrelatie, en raadt Engelse instructies aan voor meertalige situaties. Het directe voorbeeld plaatst Instruct: vóór de taakbeschrijving en Query: vóór de querytekst. De te doorzoeken documenten worden zonder die queryinstructie gecodeerd. Een praktische eigen instructie kan vragen om documentatiepassages die een gemelde fout uitleggen of om broncodefragmenten die het beschreven gedrag implementeren. Dit richt de representatie op de vraag van de toepassing, in plaats van het model te vragen een antwoord te schrijven.

De officiële voorbeelden coderen query- en documentteksten, vergelijken hun embeddings met cosinusgelijkenis en demonstreren pooling van de verborgen toestand van het laatste token, gevolgd door normalisatie. In dat voorbeeld op lager niveau wordt de invoer afgekapt volgens een gekozen instelling van 8.192 tokens; de gedocumenteerde sequentielengte van het model blijft 32K. Bepaal bij lang materiaal welke passages moeten worden gerepresenteerd en controleer of afkapping niet ongemerkt het deel verwijdert dat de query nodig heeft. Sla vectoren op met stabiele bronverwijzingen, vergelijk de voorbereide query met de verzameling en geef de bijbehorende passages terug in volgorde van gelijkenis.

Qwens embeddingmodel gebruikt een aanpak met twee encoders, terwijl de afzonderlijke modellen voor herrangschikking een cross-encoder gebruiken om query-documentparen te beoordelen. De aankondiging beschrijft hoe deze modules samen worden gebruikt: embeddings vinden de eerste kandidaten, waarna een reranker hun volgorde kan verfijnen. Qwen3-Embedding-4B zelf levert de representatie van één tekst. De vector is geen rerankerscore, geverifieerde uitspraak of gegenereerd antwoord. Als het uiteindelijke werkproces vragen beantwoordt op basis van gevonden materiaal, blijven de geselecteerde bronpassages het bewijsmateriaal dat aan die latere stap wordt doorgegeven.