Qwen: Qwen3 Embedding 8B

Qwen3-Embedding-8B é o modelo de embeddings de texto 8B da Qwen, construído a partir do modelo de base denso Qwen3. Representa texto sob a forma de vetores numéricos, em vez de gerar respostas de conversação. A Qwen inclui a recuperação de texto, a recuperação de código, a classificação, o agrupamento e a mineração de bitextos nas áreas de aplicação suportadas. Um sistema de pesquisa pode usar estes vetores para comparar uma pergunta com passagens relevantes; uma coleção de documentos pode usá-los para encontrar material semanticamente relacionado ou organizar registos em grupos.

O modelo exato suporta sequências de 32K tokens e embeddings de até 4 096 dimensões. Também suporta dimensões de saída definidas pelo utilizador, de 32 a 4 096, através de Matryoshka Representation Learning. Isto torna o comprimento do vetor uma escolha deliberada de conceção: um vetor mais curto altera o tamanho da representação, enquanto a saída completa preserva a dimensionalidade máxima do modelo. Mantenha a dimensão escolhida consistente entre os documentos e as consultas comparados num mesmo índice. Qwen3-Embedding-4B é uma edição separada, com uma dimensão máxima diferente, não uma fonte de vetores intercambiável para uma coleção 8B existente.

O produtor descreve suporte para mais de 100 línguas, incluindo linguagens de programação, e recuperação multilingue, entre línguas e de código. Uma coleção prática pode conter documentos em várias línguas, com consultas que procuram o significado relevante, ou passagens de código-fonte indexadas para uma pergunta em linguagem natural. Preserve identificadores, títulos e termos do domínio importantes na entrada. Para código, mantenha a explicação que rodeia a função ou o módulo junto do excerto quando esse contexto fizer parte da pergunta. A saída continua a ser uma representação vetorial; devolver o texto do documento correspondente é o passo seguinte da aplicação de pesquisa.

O modelo tem em conta as instruções. A Qwen recomenda uma instrução de uma frase adaptada à tarefa de recuperação e, para utilização multilingue, recomenda escrever essa instrução em inglês. O exemplo direto formata uma consulta com Instruct: seguido da descrição da tarefa e Query: seguido da pergunta. Nesse exemplo, os documentos a recuperar não precisam do mesmo prefixo de instrução. Uma descrição original adequada pode indicar que se pretende encontrar passagens técnicas que expliquem o erro de um utilizador e colocar depois a descrição desse erro específico na consulta. A instrução descreve o tipo de relação semântica que a pesquisa deve favorecer.

Os exemplos da Qwen codificam consultas e documentos separadamente, comparam os seus vetores usando a similaridade de cosseno e mostram um procedimento de nível inferior que extrai o estado oculto do token final e normaliza o embedding antes de uma comparação por produto escalar. Um fluxo de trabalho útil mantém o vetor de cada passagem ligado ao seu identificador de origem, compara uma consulta preparada com os vetores armazenados e devolve as passagens correspondentes por ordem de similaridade. A definição de truncamento em 8 192 tokens do exemplo é uma escolha de processamento da entrada, distinta do comprimento de sequência de 32K documentado para o modelo. Analise o que fica retido ao preparar entradas longas.

Os modelos de embeddings e de reordenação são componentes diferentes da oferta da Qwen. Um modelo de embeddings representa um segmento de texto e permite uma pesquisa inicial por similaridade. Um reranker separado avalia a relação entre uma consulta e as passagens candidatas e pode aperfeiçoar a sua ordem. A Qwen descreve a combinação dos dois módulos, mas Qwen3-Embedding-8B devolve embeddings, não uma avaliação de relevância de um reranker nem uma resposta escrita. Para recuperação seguida de uma resposta, preserve o texto-fonte correspondente e passe esses elementos à etapa de resposta. Escolha e mantenha consistentes o modelo, a dimensão e a instrução de consulta para a coleção em que pesquisa.