🚀 Esittelemme Qwen3-VL-Embeddingin ja Qwen3-VL-Rerankerin – edistäen multimodaalisen hakuprosessin ja monimodaalisen ymmärryksen huippua! ✨ Kohokohdat: ✅ Rakennettu vankan Qwen3-VL-perustusmallin pohjalle ✅ Käsittelee tekstiä, kuvia, kuvakaappauksia, videoita ja sekamuotoisia syötteitä ✅ Tukee 30+ kieltä ✅ Saavuttaa huipputason suorituskyvyn monimodaalisissa hakutesteissä ✅ Avoimen lähdekoodin ja saatavilla Hugging Facessa, GitHubissa ja ModelScopessa ✅ API:n käyttöönotto Alibaba Cloudissa tulossa pian! 🎯 Kaksivaiheinen palautusarkkitehtuuri: 📊 Upotusmalli – tuottaa semanttisesti rikkaita vektorirepresentaatioita yhtenäisessä upotustilassa 🎯 Reranker-malli – laskee hienojakoisia relevanssipisteitä parantaakseen hakutarkkuutta 🔍 Keskeiset sovellusskenaariot: Kuva-tekstin haku, videohaku, multimodaalinen RAG, visuaalinen kysymysten vastaus, multimodaalinen sisällön klusterointi, monikielinen visuaalinen haku ja paljon muuta! 🌟 Kehittäjäystävälliset ominaisuudet: • Mukautettavat upotuksen mitat • Tehtäväkohtainen käskyjen räätälöinti • Quantisointituen upottaminen tehokkaaseen ja kustannustehokkaaseen alavirran käyttöönottoon Halauskasvot: ModelScope: Github: Blogi: Tekninen raportti:

Yleiskatsaus Qwen3-VL-Embedding- ja Qwen3-VL-Reranker-arkkitehtuureihin.

Arviointitulokset MMEB-v2- ja MMTEB-vertailuissa