Qwen: Qwen3 Embedding 4B

Qwen3-Embedding-4B é a edição 4B de embeddings de texto da família de embeddings e reordenação da Qwen. Construído sobre o modelo de base denso Qwen3, converte um segmento de texto numa representação numérica do seu significado. A Qwen identifica a recuperação de texto, a recuperação de código, a classificação, o agrupamento e a extração de textos paralelos como áreas de aplicação. É útil quando uma aplicação precisa de encontrar passagens relacionadas, agrupar registos semelhantes ou comparar texto entre línguas. A saída do modelo é um vetor de embedding, não uma resposta de conversa nem um documento reescrito.

Esta edição específica tem um comprimento de sequência de 32K tokens e uma dimensão de embedding de até 2 560. Suporta dimensões de saída personalizáveis de 32 a 2 560 através de Matryoshka Representation Learning. O comprimento do vetor escolhido afeta a forma como a representação é armazenada e comparada, pelo que deve ser consistente entre os vetores de consulta e de documento numa mesma coleção. Qwen3-Embedding-8B tem um tamanho de modelo diferente e um máximo de 4 096 dimensões; nem esse tamanho de saída nem a identidade do modelo 8B se transferem para esta edição 4B. Um índice existente deve manter as suas próprias opções de representação consistentes.

O fabricante descreve suporte de mais de 100 línguas, incluindo linguagens de programação, com recuperação multilingue, entre línguas e de código. Uma pesquisa exemplificativa num centro de ajuda pode comparar a pergunta de um utilizador com passagens escritas em várias línguas e devolver depois as passagens originais que correspondem ao tema. Uma pesquisa de código pode comparar uma descrição em linguagem natural com funções relevantes e a respetiva documentação. Preserve títulos significativos, termos do domínio e identificadores ao preparar o texto, e mantenha cada passagem representada ligada à sua fonte, para que a aplicação possa mostrar o material correspondente.

Qwen3-Embedding-4B tem em conta as instruções. A Qwen recomenda dar a cada consulta uma descrição da tarefa numa frase, adaptada à relação de recuperação pretendida, e recomenda instruções em inglês para cenários multilingues. O exemplo direto coloca Instruct: antes da descrição da tarefa e Query: antes do texto da consulta. Os documentos de recuperação são codificados sem essa instrução da consulta. Uma instrução prática original pode especificar a procura de passagens de documentação que expliquem um erro comunicado ou de excertos de código-fonte que implementem o comportamento descrito. Isto orienta a representação para a pergunta da aplicação, em vez de pedir ao modelo que escreva uma resposta.

Os exemplos oficiais codificam os textos das consultas e dos documentos, comparam os seus embeddings através da similaridade do cosseno e demonstram o pooling do estado oculto do último token, seguido de normalização. Nesse exemplo de nível mais baixo, a entrada é truncada numa definição escolhida de 8 192 tokens; o comprimento de sequência documentado do modelo continua a ser 32K. Para material longo, decida que passagens representar e certifique-se de que o truncamento não descarta silenciosamente a parte de que a consulta precisa. Armazene os vetores com referências estáveis às fontes, compare a consulta preparada com a coleção e devolva as passagens associadas por ordem de similaridade.

O modelo de embeddings da Qwen utiliza uma abordagem dual-encoder, enquanto os seus modelos de reordenação separados utilizam um cross-encoder para avaliar pares consulta–documento. A publicação descreve a utilização conjunta destes módulos: os embeddings encontram os candidatos iniciais, e um reranker pode depois aperfeiçoar a sua ordem. Qwen3-Embedding-4B fornece, por si só, a representação de um único texto. O seu vetor não é uma pontuação de reordenação, uma afirmação verificada nem uma resposta gerada. Se o processo final responder a perguntas a partir do material recuperado, as passagens selecionadas das fontes continuam a ser os elementos que fundamentam essa etapa posterior.