¿Qué es Qwen3-Embedding and Qwen3-Reranker?
Qwen3-Embedding es una familia de modelos abiertos de embeddings de texto del equipo Qwen de Alibaba, lanzada el 5 de junio de 2025 bajo Apache 2.0 en tamaños de 0.6B, 4B y 8B, con los correspondientes modelos Qwen3-Reranker. Un reordenador vuelve a puntuar una lista corta de resultados de búsqueda leyendo juntos cada consulta y cada documento, lo que es más lento pero más preciso que comparar vectores.
Todos los tamaños leen hasta 32K tokens y admiten más de 100 idiomas naturales y de programación. Los vectores de salida tienen hasta 1.024, 2.560 o 4.096 dimensiones según el tamaño y se pueden recortar hasta tan solo 32, y los dos tipos de modelo aceptan instrucciones de tarea, que según Qwen mejoran los resultados entre un 1 % y un 5 %. El modelo de 0.6B registró unos 8,3 millones de descargas en Hugging Face el último mes y el de 8B, unos 2 millones.
¿Merece la pena Qwen3-Embedding and Qwen3-Reranker?
Qwen3-Embedding sigue siendo la familia abierta de embeddings de texto por la que empezar, sobre todo porque cubre las dos fases de una cadena de búsqueda bajo Apache 2.0. Qwen indica 70,58 en MTEB multilingüe para el de 8B, primero en la clasificación a 5 de junio de 2025, y 64,33 para el de 0.6B; en la misma tabla, text-embedding-3-large de OpenAI sacó 58,93 y multilingual v3 de Cohere, 61,12. Esas cifras de los rivales se tomaron en mayo de 2025, y ambos fabricantes han lanzado modelos más recientes desde entonces.
El reordenador es la mitad infravalorada. Al volver a puntuar los 100 primeros resultados del modelo de embeddings de 0.6B, Qwen3-Reranker-4B sube la recuperación en inglés de 61,82 a 69,76 y la recuperación de código de 75,41 a 81,20, por delante de los reordenadores BGE, Jina y GTE en la comparación de Qwen. El de 4B se queda a menos de 1,5 puntos del de 8B en todas las filas y lo supera en dos, lo que lo convierte en la opción predeterminada sensata.
Dos detalles de uso deciden los resultados. Las consultas necesitan una instrucción de tarea de una frase, escrita en inglés incluso para otros idiomas, mientras que los documentos no; Qwen dice que prescindir de las instrucciones cuesta entre un 1 % y un 5 %. Los vectores se pueden recortar de 4.096 dimensiones a tan solo 32, lo que reduce la base de datos vectorial a costa de una precisión que Qwen no cuantifica.
Solo trabaja con texto. Para imágenes y páginas escaneadas, Qwen ofrece aparte Qwen3-VL-Embedding, que saca 67,88 en MTEB multilingüe frente al 70,58 de este 8B, así que la búsqueda multimedia cuesta unos tres puntos en texto. Los equipos que prefieran no gestionar GPU pueden usar text-embedding-v4 de Qwen Cloud, basado en Qwen3, a 0,07 $ por millón de tokens, algo más de la mitad de los 0,12 $ de voyage-4-large.
Dónde se gana su sitio
Un ingeniero de búsqueda en una empresa de herramientas para desarrolladores que indexa 2 millones de archivos de código
Añadir búsqueda semántica de código sin tarifas por token
Genera los embeddings con el de 0.6B en una sola GPU y reordena los 100 primeros con Qwen3-Reranker-4B, que según Qwen sube MTEB-Code de 75,41 a 81,20. El coste es tiempo de GPU en lugar de una factura de API, y el paso de reordenación añade latencia a cada consulta.
Una responsable de producto en un marketplace europeo con anuncios en 12 idiomas
Mejorar la relevancia de la búsqueda entre idiomas
Ejecuta el de 8B con instrucciones de tarea en inglés en las consultas; Qwen indica 70,58 en MTEB multilingüe. Los pesos ocupan unos 16 GB en BF16 según nuestros cálculos, así que basta una GPU de 24 GB para servirlo y los anuncios nunca salen de tu infraestructura.
El CTO de una startup sin presupuesto para GPU
Generar embeddings de 5.000 millones de tokens de artículos de ayuda y tickets
text-embedding-v4 de Qwen Cloud cuesta unos 350 $ por ese volumen a 0,07 $ por millón de tokens, frente a unos 600 $ con voyage-4-large. Sus límites de 1 millón de tokens y 1.000 peticiones por minuto hacen que una carga inicial de ese tamaño tarde varios días.
Antes de decidirte
- Puesta en marcha
- Haz pip install de sentence-transformers (con transformers 4.51 o posterior) y carga Qwen/Qwen3-Embedding-0.6B; también se admiten vLLM 0.8.5+ y Text Embeddings Inference, incluida una imagen para CPU.
- Integraciones
- Sentence Transformers, Transformers, vLLM y Text Embeddings Inference de Hugging Face; cualquier base de datos vectorial que almacene vectores de coma flotante de hasta 4.096 dimensiones. text-embedding-v4 alojado en Qwen Cloud, descrito solo como "based on Qwen3" con de 64 a 2.048 dimensiones; Qwen no dice a qué checkpoint abierto corresponde, si es que corresponde a alguno.
- Datos y privacidad
- Apache 2.0 sin restricciones de uso; autoalojarlo mantiene los documentos en tu propio hardware.
- Coste a escala
- Los pesos ocupan unos 1,2 GB para el de 0.6B y 16 GB para el de 8B en BF16 según nuestros cálculos, así que el modelo pequeño funciona en casi cualquier GPU y el de 8B en una tarjeta de 24 GB. text-embedding-v4 alojado cuesta 0,07 $ por millón de tokens.
- Límites
- Entrada de 32K tokens; vectores de hasta 1.024, 2.560 o 4.096 dimensiones según el tamaño. Solo texto. Los reordenadores leen juntos cada consulta y cada documento, así que volver a puntuar 100 candidatos supone 100 pasadas por consulta.
Lo bueno
- 70,58 en MTEB multilingüe para el de 8B, según Qwen
- Reordenadores a juego en tres tamaños; el de 4B se acerca al de 8B
- Entrada de 32K tokens, más de 100 idiomas, Apache 2.0
- Dimensiones de salida ajustables de 32 a 4.096
Lo malo
- Su liderazgo en las pruebas data de junio de 2025
- Solo texto
- Las consultas necesitan instrucciones de tarea para alcanzar las puntuaciones indicadas
- El de 8B necesita unos 16 GB de memoria de GPU solo para los pesos
Ideal para
Equipos que autoalojan búsqueda multilingüe o de código y quieren embeddings y reordenación bajo una sola licencia abierta.
Alternativas a Qwen3-Embedding and Qwen3-Reranker
Qwen3-Embedding and Qwen3-Reranker: preguntas frecuentes
- ¿Merece la pena Qwen3-Embedding and Qwen3-Reranker?
- Un sistema de búsqueda abierto completo con una sola licencia, modelo de embeddings y reordenador juntos, aunque su corona en la clasificación data de junio de 2025. Le damos un 4.2 sobre 5.
- ¿Cuánto cuesta Qwen3-Embedding and Qwen3-Reranker?
- Gratis bajo Apache 2.0. El text-embedding-v4 alojado de Qwen Cloud, basado en Qwen3, cuesta 0,07 $ por 1M de tokens.
- ¿Qué inconvenientes tiene Qwen3-Embedding and Qwen3-Reranker?
- Su liderazgo en las pruebas data de junio de 2025; solo texto; las consultas necesitan instrucciones de tarea para alcanzar las puntuaciones indicadas; el de 8B necesita unos 16 GB de memoria de GPU solo para los pesos.
- ¿Para quién es Qwen3-Embedding and Qwen3-Reranker?
- Equipos que autoalojan búsqueda multilingüe o de código y quieren embeddings y reordenación bajo una sola licencia abierta.
- ¿Cuánto cuesta Qwen3-Embedding and Qwen3-Reranker para un equipo o en producción?
- Los pesos ocupan unos 1,2 GB para el de 0.6B y 16 GB para el de 8B en BF16 según nuestros cálculos, así que el modelo pequeño funciona en casi cualquier GPU y el de 8B en una tarjeta de 24 GB. text-embedding-v4 alojado cuesta 0,07 $ por millón de tokens.
- ¿Es Qwen3-Embedding and Qwen3-Reranker seguro para los datos de la empresa?
- Apache 2.0 sin restricciones de uso; autoalojarlo mantiene los documentos en tu propio hardware.
- ¿Cuáles son las mejores alternativas a Qwen3-Embedding and Qwen3-Reranker?
- Las alternativas más cercanas que hemos analizado son voyage-4-large, Cohere Embed 5 y EmbeddingGemma 2.
Respuestas comprobadas el 26 oct 2026.