¿Qué es Qwen3-VL-Embedding?
Qwen3-VL-Embedding es una pareja de modelos abiertos de embeddings del equipo Qwen de Alibaba, lanzada en enero de 2026 bajo Apache 2.0 en tamaños de 2B y 8B, con los correspondientes modelos Qwen3-VL-Reranker. Basados en el modelo de visión y lenguaje Qwen3-VL, aceptan texto, imágenes, capturas de pantalla, vídeo o cualquier mezcla de ellos, y los sitúan en un único espacio vectorial compartido, de modo que una pregunta escrita puede encontrar un gráfico, una diapositiva o un clip de vídeo.
Ambos tamaños leen hasta 32K tokens y admiten más de 30 idiomas. Los vectores tienen hasta 2.048 dimensiones (2B) o 4.096 (8B) y se pueden recortar a cualquier tamaño a partir de 64. Qwen dice que las instrucciones de tarea mejoran la mayoría de las tareas entre un 1 % y un 5 % y recomienda escribirlas en inglés.
Alibaba Cloud Model Studio también vende un qwen3-vl-embedding alojado a 0,10 $ por millón de tokens de texto y 0,258 $ por millón de tokens de imagen o vídeo, con tamaños de salida de hasta 2.560; Alibaba no dice si es el mismo checkpoint que el 8B abierto. El de 8B registró unos 1,33 millones de descargas en Hugging Face el último mes.
¿Merece la pena Qwen3-VL-Embedding?
Qwen3-VL-Embedding es el modelo abierto por el que empezar cuando la búsqueda tiene que cubrir algo más que texto. En MMEB-V2, una prueba de embeddings multimodales con 78 conjuntos de datos, la propia tabla de Qwen da al de 8B un 77,9 global, por delante de Seed-1.6-embedding de ByteDance con 76,9 y de todos los demás modelos de la lista; el de 2B saca 73,4. Qwen volvió a ejecutar la mayoría de los rivales con una partición actualizada, así que conviene tomar los márgenes como orientativos y no como definitivos.
La ventaja no es uniforme. En la misma tabla, Seed-1.6-embedding lo supera en vídeo en conjunto (67,7 a 66,1), e IFM-TTE lo supera en el subconjunto de recuperación de páginas de ViDoRe v2 (71,5 a 69,9). Para colecciones dominadas por páginas escaneadas, merece la pena probar un recuperador de interacción tardía, que guarda muchos vectores por página, antes de decidirse por un modelo de vector único.
En texto cede un poco. Qwen indica 67,88 en MMTEB multilingüe para el de 8B, frente a 70,58 del Qwen3-Embedding-8B solo de texto y 58,93 de text-embedding-3-large de OpenAI. Un solo índice para contenido mixto es más sencillo de gestionar que almacenes separados de texto e imágenes, y para muchos equipos esa comodidad pesa más que tres puntos.
La factura de hardware es modesta. Los 8.140 millones de parámetros del de 8B suponen unos 16 GB en BF16, dentro de una tarjeta de 24 GB, y el de 2B necesita unos 4 GB. El vídeo es la entrada cara, porque cada fotograma muestreado se convierte en tokens de imagen, y la versión alojada de Alibaba limita cada petición a cinco imágenes y 20 elementos, lo que hace del autoalojamiento la vía práctica para indexar vídeo en masa.
Dónde se gana su sitio
Un ingeniero de ML en una cadena de televisión con un gran archivo de imágenes de informativos
Permitir a los editores encontrar clips describiendo una escena
Genera embeddings de los fotogramas muestreados y de las transcripciones con el de 8B en una sola GPU de 24 GB y guarda los vectores en una base de datos vectorial existente; recortar a 1.024 dimensiones reduce el almacenamiento en tres cuartas partes. El vídeo es la entrada costosa, así que el presupuesto lo marca el rendimiento de la GPU, no las licencias.
Un equipo de soporte en una empresa SaaS cuyo centro de ayuda está lleno de capturas de pantalla
Responder preguntas del tipo 'dónde está este ajuste' a partir de una captura pegada
Indexa los artículos como texto e imágenes en un mismo espacio, consulta con la captura del usuario y vuelve a puntuar los primeros resultados con Qwen3-VL-Reranker-2B. Autoalojado, el único coste es el tiempo de GPU; en la API de Alibaba, el texto cuesta 0,10 $ y las imágenes 0,258 $ por millón de tokens.
Un responsable de datos en un banco regulado
Adoptar búsqueda multimodal con una licencia que el departamento legal apruebe
Apache 2.0 permite el uso comercial sin límite de ingresos ni política de uso, y los pesos funcionan dentro de la red del banco, así que ningún documento sale de ella. La contrapartida es el tiempo del personal: no hay SLA de proveedor, y el equipo se encarga de las actualizaciones y la supervisión.
Antes de decidirte
- Puesta en marcha
- Haz pip install de sentence-transformers y carga Qwen/Qwen3-VL-Embedding-8B; la ficha del modelo también da ejemplos con Transformers (4.57 o posterior), vLLM y SGLang. Las entradas reciben por defecto la instrucción 'Represent the user's input.' salvo que pases la tuya.
- Integraciones
- Sentence Transformers, Transformers, vLLM y SGLang según la ficha del modelo. La API DashScope de Alibaba Cloud Model Studio aloja un qwen3-vl-embedding con un modo de fusión que combina texto, imágenes y vídeo en un solo vector.
- Datos y privacidad
- Apache 2.0: se permiten el uso comercial, la modificación y la redistribución, sin límite de ingresos ni política de uso aceptable ligada a los pesos. Autoalojado, ningún dato sale de tu infraestructura.
- Coste a escala
- Autoalojado, el de 8B necesita unos 16 GB para los pesos BF16, así que una GPU de 24 GB por réplica; el de 2B, unos 4 GB. En la API de Alibaba, 10.000 millones de tokens de texto cuestan unos 1.000 $, y los tokens de imagen y vídeo, 0,258 $ por millón.
- Límites
- 32K tokens por entrada; las instrucciones funcionan mejor en inglés. La versión alojada de Alibaba admite 5 imágenes y 20 elementos por petición, 5 MB por imagen y 50 MB por vídeo, y el vídeo solo por URL.
Lo bueno
- 77,9 en MMEB-V2, primero en la propia tabla comparativa de Qwen
- Texto, imágenes, capturas de pantalla y vídeo en un solo espacio vectorial
- Apache 2.0, con reordenadores a juego de 2B y 8B
- El de 8B cabe en una GPU de 24 GB en BF16
Lo malo
- Por detrás de Seed-1.6 en vídeo y de IFM-TTE en ViDoRe v2 en la propia tabla de Qwen
- Unos 2,7 puntos por debajo de Qwen3-Embedding-8B en texto
- Pruebas en gran parte autodeclaradas
- La API alojada limita las peticiones a cinco imágenes
Ideal para
Equipos que autoalojan búsqueda sobre imágenes, vídeo y documentos mixtos con una licencia permisiva.
Alternativas a Qwen3-VL-Embedding
Qwen3-VL-Embedding: preguntas frecuentes
- ¿Merece la pena Qwen3-VL-Embedding?
- El modelo de embeddings abierto por el que empezar cuando un mismo índice tiene que contener diapositivas, capturas de pantalla y vídeo junto al texto, con Apache 2.0 zanjando la cuestión de la licencia. Le damos un 4.3 sobre 5.
- ¿Cuánto cuesta Qwen3-VL-Embedding?
- Gratis bajo Apache 2.0.
- ¿Qué inconvenientes tiene Qwen3-VL-Embedding?
- Por detrás de Seed-1.6 en vídeo y de IFM-TTE en ViDoRe v2 en la propia tabla de Qwen; unos 2,7 puntos por debajo de Qwen3-Embedding-8B en texto; pruebas en gran parte autodeclaradas; la API alojada limita las peticiones a cinco imágenes.
- ¿Para quién es Qwen3-VL-Embedding?
- Equipos que autoalojan búsqueda sobre imágenes, vídeo y documentos mixtos con una licencia permisiva.
- ¿Cuánto cuesta Qwen3-VL-Embedding para un equipo o en producción?
- Autoalojado, el de 8B necesita unos 16 GB para los pesos BF16, así que una GPU de 24 GB por réplica; el de 2B, unos 4 GB. En la API de Alibaba, 10.000 millones de tokens de texto cuestan unos 1.000 $, y los tokens de imagen y vídeo, 0,258 $ por millón.
- ¿Es Qwen3-VL-Embedding seguro para los datos de la empresa?
- Apache 2.0: se permiten el uso comercial, la modificación y la redistribución, sin límite de ingresos ni política de uso aceptable ligada a los pesos. Autoalojado, ningún dato sale de tu infraestructura.
- ¿Cuáles son las mejores alternativas a Qwen3-VL-Embedding?
- Las alternativas más cercanas que hemos analizado son EmbeddingGemma 2, Jina Embeddings v5, Gemini Embedding 2 y Nemotron ColEmbed V2.
Respuestas comprobadas el 22 oct 2026.