Was ist Qwen3-VL-Embedding?
Qwen3-VL-Embedding ist ein Paar offener Embedding-Modelle vom Qwen-Team von Alibaba, erschienen im Januar 2026 unter Apache 2.0 in den Größen 2B und 8B, mit passenden Qwen3-VL-Reranker-Modellen. Sie bauen auf dem Vision-Language-Modell Qwen3-VL auf, nehmen Text, Bilder, Screenshots, Video oder eine beliebige Mischung davon an und legen alles in einen gemeinsamen Vektorraum. So kann eine schriftliche Frage ein Diagramm, eine Folie oder einen Videoclip finden.
Beide Größen lesen bis zu 32K Tokens und unterstützen mehr als 30 Sprachen. Die Vektoren haben bis zu 2.048 Dimensionen (2B) oder 4.096 (8B) und lassen sich auf jede Größe ab 64 kürzen. Laut Qwen verbessern Aufgabenanweisungen die meisten Aufgaben um 1 % bis 5 %, und Qwen empfiehlt, sie auf Englisch zu schreiben.
Alibaba Cloud Model Studio verkauft außerdem ein gehostetes qwen3-vl-embedding für 0,10 $ pro Million Text-Tokens und 0,258 $ pro Million Bild- oder Video-Tokens, mit Ausgabegrößen bis 2.560; ob es derselbe Checkpoint ist wie das offene 8B, sagt Alibaba nicht. Das 8B verzeichnete im vergangenen Monat etwa 1,33 Millionen Downloads auf Hugging Face.
Lohnt sich Qwen3-VL-Embedding?
Qwen3-VL-Embedding ist das offene Modell für den Einstieg, wenn die Suche mehr als Text abdecken muss. Auf MMEB-V2, einem multimodalen Embedding-Benchmark mit 78 Datensätzen, gibt Qwens eigene Tabelle dem 8B insgesamt 77,9, vor ByteDances Seed-1.6-embedding mit 76,9 und jedem anderen gelisteten Modell; das 2B kommt auf 73,4. Qwen hat die meisten Konkurrenten auf einem aktualisierten Split neu getestet, die Abstände sind also als Hinweis zu verstehen, nicht als endgültig.
Der Vorsprung ist nicht überall gleich. In derselben Tabelle schlägt Seed-1.6-embedding es bei Video insgesamt (67,7 zu 66,1), und IFM-TTE schlägt es auf dem Seiten-Retrieval-Teil ViDoRe v2 (71,5 zu 69,9). Bei Sammlungen, die von gescannten Seiten dominiert werden, lohnt sich ein Test mit einem Late-Interaction-Retriever, der viele Vektoren pro Seite speichert, bevor du dich auf ein Modell mit einem Vektor festlegst.
Bei Text gibt es etwas nach. Qwen meldet für das 8B 67,88 auf dem mehrsprachigen MMTEB, gegenüber 70,58 für das reine Textmodell Qwen3-Embedding-8B und 58,93 für OpenAIs text-embedding-3-large. Ein Index für gemischte Inhalte ist einfacher zu betreiben als getrennte Speicher für Text und Bilder, und für viele Teams wiegt diese Bequemlichkeit drei Punkte auf.
Die Hardware-Rechnung ist bescheiden. Die 8,14 Milliarden Parameter des 8B kommen in BF16 auf rund 16 GB, passen also auf eine 24-GB-Karte, und das 2B braucht etwa 4 GB. Video ist die teure Eingabe, weil jedes abgetastete Bild zu Bild-Tokens wird, und Alibabas gehostete Version begrenzt eine Anfrage auf fünf Bilder und 20 Elemente. Für die Indexierung großer Videomengen ist Selbsthosting daher der praktische Weg.
Wo es sich lohnt
Ein ML-Engineer bei einem Sender mit einem großen Archiv an Nachrichtenmaterial
Redakteuren ermöglichen, Clips durch die Beschreibung einer Szene zu finden
Bette abgetastete Einzelbilder und Transkripte mit dem 8B auf einer einzelnen 24-GB-GPU ein und speichere die Vektoren in einer vorhandenen Vektordatenbank; das Kürzen auf 1.024 Dimensionen senkt den Speicherbedarf um drei Viertel. Video ist die teure Eingabe, das Budget bestimmt also der GPU-Durchsatz, nicht Lizenzgebühren.
Ein Support-Team bei einem SaaS-Unternehmen, dessen Hilfecenter voller Screenshots ist
Fragen wie 'wo ist diese Einstellung' anhand eines eingefügten Screenshots beantworten
Indexiere Artikel als Text und Bilder in einem Raum, frage mit dem Screenshot des Nutzers ab und bewerte die besten Treffer mit Qwen3-VL-Reranker-2B neu. Selbst gehostet sind die einzigen Kosten GPU-Zeit; über Alibabas API kostet Text 0,10 $ und Bilder 0,258 $ pro Million Tokens.
Eine Datenchefin bei einer regulierten Bank
Multimodale Suche unter einer Lizenz einführen, die die Rechtsabteilung freigibt
Apache 2.0 erlaubt kommerzielle Nutzung ohne Umsatzgrenze oder Nutzungsrichtlinie, und die Gewichte laufen im Netzwerk der Bank, kein Dokument verlässt es also. Der Preis ist Personalzeit: Es gibt kein SLA eines Anbieters, und das Team ist für Upgrades und Monitoring selbst zuständig.
Bevor du dich festlegst
- Einrichtung
- pip install sentence-transformers und Qwen/Qwen3-VL-Embedding-8B laden; die Modellkarte zeigt auch Beispiele für Transformers (4.57 oder neuer), vLLM und SGLang. Eingaben bekommen standardmäßig die Anweisung 'Represent the user's input.', sofern du keine eigene übergibst.
- Integrationen
- Laut Modellkarte Sentence Transformers, Transformers, vLLM und SGLang. Die DashScope-API von Alibaba Cloud Model Studio hostet ein qwen3-vl-embedding mit einem Fusionsmodus, der Text, Bilder und Video zu einem Vektor zusammenführt.
- Daten und Datenschutz
- Apache 2.0: kommerzielle Nutzung, Änderung und Weitergabe erlaubt, ohne Umsatzgrenze oder Richtlinie zur zulässigen Nutzung für die Gewichte. Selbst gehostet verlassen keine Daten deine Infrastruktur.
- Kosten im großen Maßstab
- Selbst gehostet braucht das 8B etwa 16 GB für die BF16-Gewichte, also eine 24-GB-GPU pro Replik; das 2B etwa 4 GB. Über Alibabas API kosten 10 Milliarden Text-Tokens etwa 1.000 $, Bild- und Video-Tokens 0,258 $ pro Million.
- Grenzen
- 32K Tokens pro Eingabe; Anweisungen funktionieren auf Englisch am besten. Alibabas gehostete Version erlaubt 5 Bilder und 20 Elemente pro Anfrage, 5 MB pro Bild und 50 MB pro Video, Video nur per URL.
Was gut ist
- 77,9 auf MMEB-V2, Spitze in Qwens eigener Vergleichstabelle
- Text, Bilder, Screenshots und Video in einem Vektorraum
- Apache 2.0, mit passenden Rerankern in 2B und 8B
- Das 8B passt in BF16 auf eine 24-GB-GPU
Was nicht
- In Qwens eigener Tabelle bei Video hinter Seed-1.6 und auf ViDoRe v2 hinter IFM-TTE
- Bei Text etwa 2,7 Punkte unter Qwen3-Embedding-8B
- Benchmarks größtenteils selbst gemeldet
- Die gehostete API begrenzt Anfragen auf fünf Bilder
Am besten für
Teams, die Suche über Bilder, Video und gemischte Dokumente unter einer freizügigen Lizenz selbst hosten.
Alternativen zu Qwen3-VL-Embedding
Qwen3-VL-Embedding: häufige Fragen
- Lohnt sich Qwen3-VL-Embedding?
- Der offene Embedder, mit dem du anfangen solltest, wenn ein Index Folien, Screenshots und Video neben Text aufnehmen muss, und Apache 2.0 klärt die Lizenzfrage. Wir bewerten es mit 4.3 von 5.
- Was kostet Qwen3-VL-Embedding?
- Kostenlos unter Apache 2.0.
- Welche Nachteile hat Qwen3-VL-Embedding?
- In Qwens eigener Tabelle bei Video hinter Seed-1.6 und auf ViDoRe v2 hinter IFM-TTE; Bei Text etwa 2,7 Punkte unter Qwen3-Embedding-8B; Benchmarks größtenteils selbst gemeldet; Die gehostete API begrenzt Anfragen auf fünf Bilder.
- Für wen eignet sich Qwen3-VL-Embedding?
- Teams, die Suche über Bilder, Video und gemischte Dokumente unter einer freizügigen Lizenz selbst hosten.
- Was kostet Qwen3-VL-Embedding für ein Team oder im Produktivbetrieb?
- Selbst gehostet braucht das 8B etwa 16 GB für die BF16-Gewichte, also eine 24-GB-GPU pro Replik; das 2B etwa 4 GB. Über Alibabas API kosten 10 Milliarden Text-Tokens etwa 1.000 $, Bild- und Video-Tokens 0,258 $ pro Million.
- Ist Qwen3-VL-Embedding sicher für Firmendaten?
- Apache 2.0: kommerzielle Nutzung, Änderung und Weitergabe erlaubt, ohne Umsatzgrenze oder Richtlinie zur zulässigen Nutzung für die Gewichte. Selbst gehostet verlassen keine Daten deine Infrastruktur.
- Was sind die besten Alternativen zu Qwen3-VL-Embedding?
- Die nächsten Alternativen, die wir getestet haben, sind EmbeddingGemma 2, Jina Embeddings v5, Gemini Embedding 2 und Nemotron ColEmbed V2.
Antworten geprüft am 22. Okt. 2026.