Qwen3 Reranker

Qwen3 Reranker是阿里云通义千问团队于 2025 年 6 月发布的开源文本重排序（Reranking）模型，作为 Qwen3 Embedding 系列的一部分。该模型基于 Qwen3 基础大语言模型（LLM）进行训练，专为提升文本检索任务中的相关性排序而设计。通过对查询与候选文档对进行评分，Qwen3 Reranker 能够显著优化搜索结果的排序质量。

🚀 如何使用 Qwen3 Reranker？

1. 获取模型：

   • 访问 Hugging Face 模型库中的 Qwen3 Reranker 系列 下载所需模型。

   • 模型提供 0.6B、4B 和 8B 三种参数规模，满足不同性能需求。

2. 安装依赖：

   • 确保已安装必要的 Python 库，如 transformers、torch 等。

3. 加载模型：

   • 使用 Hugging Face 的 transformers 库加载模型，例如：

     from transformers import AutoTokenizer, AutoModelForSequenceClassification tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen3-Reranker-0.6B") model = AutoModelForSequenceClassification.from_pretrained("Qwen/Qwen3-Reranker-0.6B")

      

4. 进行重排序：

   • 将查询与候选文档对输入模型，获取相关性得分，并根据得分对候选文档进行排序。

🔧 主要功能

• 文本对相关性评分：输入查询与候选文档对，输出相关性得分，用于优化搜索结果排序。

• 多语言支持：支持超过 100 种自然语言和编程语言，适用于全球化应用场景。

• 多尺寸模型：提供 0.6B、4B 和 8B 三种参数规模的模型，满足从移动端到服务器端的不同需求。

• 高性能表现：在多语言检索任务中，8B 模型得分达到 69.02，中文检索任务中得分为 77.45，英文检索任务中得分为 69.76，显著优于其他基线模型。

🧠 技术原理

Qwen3 Reranker 采用单塔结构（Single-Tower）架构，接收文本对（例如用户查询与候选文档）作为输入，计算并输出两个文本的相关性得分。该模型在训练过程中，直接使用高质量的标注数据进行监督训练，提高了训练效率。此外，模型支持用户自定义指令模板，以提升特定任务、语言或场景下的性能表现。

🌐 应用场景

• 语义搜索：提升搜索引擎中查询与文档的匹配度，优化搜索结果排序。

• 问答系统：在问答系统中，对候选答案进行重排序，提供更准确的回答。

• 推荐系统：根据用户兴趣和行为，对推荐内容进行优化排序。

• 信息检索：在大规模文档中，提升相关文档的排序质量，提高检索效率。

• 多语言应用：支持多语言和跨语言的文本处理，适用于全球化产品。

🔗 项目地址

• Hugging Face 模型库：https://huggingface.co/collections/Qwen/qwen3-reranker

• ModelScope 模型库：https://modelscope.cn/collections/Qwen3-Reranker-6316e71b146c4

• GitHub 仓库：https://github.com/QwenLM/Qwen3-Embedding

❓ 常见问题

Q1：Qwen3 Reranker 是否支持中文？
A1：是的，Qwen3 Reranker 支持中文，并在中文检索任务中表现出色，得分达到 77.45。

Q2：如何选择适合的模型规模？
A2：根据应用场景的资源和性能需求选择模型规模。0.6B 模型适合资源受限的场景，4B 和 8B 模型适合对性能要求较高的场景。

Q3：是否可以在本地部署模型？
A3：是的，Qwen3 Reranker 模型已在多个平台开源，支持本地部署。

Q4：模型是否支持自定义指令模板？
A4：是的，Qwen3 Reranker 支持用户自定义指令模板，以提升特定任务、语言或场景下的性能表现。

Q5：模型的训练数据是否公开？
A5：模型的训练数据未完全公开，但技术报告中提供了训练方法和评估结果的详细说明。