Fugu-MT 論文翻訳(概要): Qwen3-VL-Embedding and Qwen3-VL-Reranker: A Unified Framework for State-of-the-Art Multimodal Retrieval and Ranking

論文の概要: Qwen3-VL-Embedding and Qwen3-VL-Reranker: A Unified Framework for State-of-the-Art Multimodal Retrieval and Ranking

arxiv url: http://arxiv.org/abs/2601.04720v1
Date: Thu, 08 Jan 2026 08:36:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-09 17:01:53.114533
Title: Qwen3-VL-Embedding and Qwen3-VL-Reranker: A Unified Framework for State-of-the-Art Multimodal Retrieval and Ranking
Title（参考訳）: Qwen3-VL-EmbeddingとQwen3-VL-Reranker: 最先端マルチモーダル検索とランク付けのための統一フレームワーク
Authors: Mingxin Li, Yanzhao Zhang, Dingkun Long, Keqin Chen, Sibo Song, Shuai Bai, Zhibo Yang, Pengjun Xie, An Yang, Dayiheng Liu, Jingren Zhou, Junyang Lin,
Abstract要約: 本稿では,Qwen3-VL-EmbeddingとQwen3-VL-Rerankerモデルシリーズを紹介する。 Qwen3-VL-Embeddingモデルでは、意味的にリッチな高次元ベクトルを生成するためのマルチステージトレーニングパラダイムを採用している。 Qwen3-VL-Rerankerはクエリ-ドキュメントペアの詳細な関連性推定を行う。
参考スコア（独自算出の注目度）: 80.53668824533493
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this report, we introduce the Qwen3-VL-Embedding and Qwen3-VL-Reranker model series, the latest extensions of the Qwen family built on the Qwen3-VL foundation model. Together, they provide an end-to-end pipeline for high-precision multimodal search by mapping diverse modalities, including text, images, document images, and video, into a unified representation space. The Qwen3-VL-Embedding model employs a multi-stage training paradigm, progressing from large-scale contrastive pre-training to reranking model distillation, to generate semantically rich high-dimensional vectors. It supports Matryoshka Representation Learning, enabling flexible embedding dimensions, and handles inputs up to 32k tokens. Complementing this, Qwen3-VL-Reranker performs fine-grained relevance estimation for query-document pairs using a cross-encoder architecture with cross-attention mechanisms. Both model series inherit the multilingual capabilities of Qwen3-VL, supporting more than 30 languages, and are released in $\textbf{2B}$ and $\textbf{8B}$ parameter sizes to accommodate diverse deployment requirements. Empirical evaluations demonstrate that the Qwen3-VL-Embedding series achieves state-of-the-art results across diverse multimodal embedding evaluation benchmarks. Specifically, Qwen3-VL-Embedding-8B attains an overall score of $\textbf{77.8}$ on MMEB-V2, ranking first among all models (as of January 8, 2025). This report presents the architecture, training methodology, and practical capabilities of the series, demonstrating their effectiveness on various multimodal retrieval tasks, including image-text retrieval, visual question answering, and video-text matching.
Abstract（参考訳）: 本稿では,Qwen3-VL-EmbeddingおよびQwen3-VL-Rerankerモデルシリーズを紹介する。同時に、テキスト、画像、文書画像、ビデオを含む様々なモダリティを統一された表現空間にマッピングすることで、高精度なマルチモーダル検索のためのエンドツーエンドパイプラインを提供する。 Qwen3-VL-Embeddingモデルでは、大規模なコントラスト事前学習からモデルの蒸留に発展し、意味的にリッチな高次元ベクトルを生成するマルチステージトレーニングパラダイムを採用している。 Matryoshka Representation Learningをサポートし、フレキシブルな埋め込みディメンションを可能にし、最大32kトークンまで入力を処理する。補完として、Qwen3-VL-Rerankerは、クロスアテンション機構を備えたクロスエンコーダアーキテクチャを用いて、クエリドキュメントペアの詳細な関連性を推定する。どちらのモデルもQwen3-VLの多言語機能を継承し、30以上の言語をサポートし、さまざまなデプロイメント要件を満たすために$\textbf{2B}$と$\textbf{8B}$パラメータサイズでリリースされている。実験的な評価は、Qwen3-VL-Embeddingシリーズが様々なマルチモーダル埋め込み評価ベンチマークで最先端の結果を得ることを示した。具体的には、Qwen3-VL-Embedding-8B は MMEB-V2 で$\textbf{77.8}$ の総合スコアを獲得し、全モデルで第1位(2025年1月8日現在)となった。本報告では, 画像テキスト検索, 視覚的質問応答, ビデオテキストマッチングなど, 様々なマルチモーダル検索タスクにおいて, シリーズのアーキテクチャ, トレーニング手法, 実用性を示す。

論文の概要: Qwen3-VL-Embedding and Qwen3-VL-Reranker: A Unified Framework for State-of-the-Art Multimodal Retrieval and Ranking

関連論文リスト