模型中心

基于Qwen LLM底座训练的文本排序模型，对输入的Query和候选Docs进行相关性排序，支持100+语种和长文本输入，适用于文本检索、RAG等场景，效果对齐开源Qwen3-Rerank系列模型

Qwen3-VL-Rerank重排模型，它能够深入理解文本、图片、视频的丰富多模态信息。在初步检索获得结果后，Qwen3-VL-Rerank 能够运用其先进的跨模态关联能力，对候选项目进行智能化的二次排序，将最相关的结果置于显要位置。通用用于提升跨模态搜索的准确率、优化图搜和视频检索的精准度、辅助图像聚类的分组质量、以及实现复杂多模态信息的高效检索和精确打标。

Qwen3-Reranker-0.6B 是一款来自 Qwen3 系列的文本重排模型。 它专为优化初始检索系统的结果而设计，其核心功能是根据给定查询对文档的相关性进行重新排序。 该模型拥有 6 亿参数和 32k 的上下文长度，并继承了其 Qwen3 基础模型强大的多语言（支持超过 100 种语言）、长文本理解及推理能力。评测结果显示，Qwen3-Reranker-0.6B 在 MTEB-R、CMTEB-R 和 MLDR 等多个文本检索基准测试中均取得了优异的性能

Qwen3-Reranker-8B是阿里巴巴通义实验室于2025年6月开源的80亿参数重排序模型，支持119种语言和32K超长文本处理。在中文检索（CMTEB-R 77.45分）、多语言检索（MTEB-R 69.02分）和代码检索（MTEB-Code 81.22分）任务中均刷新行业纪录，性能超越BGE等主流模型30%以上‌。 其创新单塔交叉编码器架构和指令感知能力，可显著提升检索增强生成（RAG）系统的精度与效率‌。

Qwen3-VL-Reranker 是 Qwen3 多模态重排序模型系列的最新专有模型，专为视觉-语言相关性建模与精排决策任务设计。该模型基于 Qwen3 系列高性能视觉语言密集基础模型构建，具备强大的跨模态语义对齐与细粒度理解能力，可对文本、图像及其组合进行高精度相关性打分与排序判断。模型支持长上下文输入，能够处理复杂查询、多候选内容与多轮语义条件，在多模态检索增强生成（RAG）、跨模态搜索、内容推荐与审核等场景中显著提升最终结果质量。继承 Qwen3 系列卓越的多语言与视觉推理能力，Qwen3-VL-Reranker 在跨语言与复杂语义匹配任务中表现稳定可靠，并支持指令感知与任务自适应优化，帮助开发者针对不同业务目标实现更高相关性与转化效率。