Qu’est-ce que Qwen3-VL-Embedding ?
Qwen3-VL-Embedding est une paire de modèles d'embedding ouverts de l'équipe Qwen d'Alibaba, sortie en janvier 2026 sous Apache 2.0 en tailles 2B et 8B, avec des modèles Qwen3-VL-Reranker assortis. Bâtis sur le modèle vision-langage Qwen3-VL, ils prennent du texte, des images, des captures d'écran, de la vidéo, ou tout mélange de ceux-ci, et les placent dans un seul espace vectoriel partagé, si bien qu'une question écrite peut trouver un graphique, une diapositive ou un clip vidéo.
Les deux tailles lisent jusqu'à 32K tokens et prennent en charge plus de 30 langues. Les vecteurs vont jusqu'à 2 048 dimensions (2B) ou 4 096 (8B) et peuvent être réduits à n'importe quelle taille à partir de 64. Qwen indique que les instructions de tâche améliorent la plupart des tâches de 1 % à 5 % et recommande de les écrire en anglais.
Alibaba Cloud Model Studio vend aussi un qwen3-vl-embedding hébergé à 0,10 $ par million de tokens de texte et 0,258 $ par million de tokens d'image ou de vidéo, avec des tailles de sortie jusqu'à 2 560 ; Alibaba ne dit pas s'il s'agit du même checkpoint que le 8B ouvert. Le 8B a enregistré environ 1,33 million de téléchargements Hugging Face le mois dernier.
Qwen3-VL-Embedding vaut-il le coup ?
Qwen3-VL-Embedding est le modèle ouvert par lequel commencer quand la recherche doit couvrir plus que du texte. Sur MMEB-V2, un benchmark d'embedding multimodal à 78 jeux de données, le propre tableau de Qwen donne au 8B 77,9 au total, devant le Seed-1.6-embedding de ByteDance à 76,9 et tout autre modèle listé ; le 2B obtient 73,4. Qwen a réexécuté la plupart des rivaux sur un split mis à jour, alors traitez les marges comme indicatives plutôt que définitives.
L'avance n'est pas uniforme. Dans le même tableau, Seed-1.6-embedding le bat sur la vidéo au total (67,7 contre 66,1), et IFM-TTE le bat sur le sous-ensemble de récupération de pages ViDoRe v2 (71,5 contre 69,9). Pour les collections dominées par les pages scannées, il vaut la peine de tester un récupérateur à interaction tardive, qui garde de nombreux vecteurs par page, avant de se fixer sur un modèle à vecteur unique.
Sur le texte, il cède un peu. Qwen rapporte 67,88 sur le MMTEB multilingue pour le 8B, contre 70,58 pour le Qwen3-Embedding-8B uniquement textuel et 58,93 pour le text-embedding-3-large d'OpenAI. Un seul index pour du contenu mixte est plus simple à faire tourner que des magasins de texte et d'image séparés, et pour beaucoup d'équipes cette commodité l'emporte sur trois points.
La facture matérielle est modeste. Les 8,14 milliards de paramètres du 8B reviennent à environ 16 GB en BF16, à portée d'une carte de 24 GB, et le 2B a besoin d'environ 4 GB. La vidéo est l'entrée coûteuse, car chaque image échantillonnée devient des tokens d'image, et la version hébergée d'Alibaba plafonne une requête à cinq images et 20 éléments, ce qui fait de l'auto-hébergement la voie pratique pour l'indexation vidéo en masse.
Là où il fait la différence
Un ingénieur ML chez un diffuseur avec une grande archive de séquences d'actualité
Permettre aux monteurs de trouver des clips en décrivant une scène
Embedder les images échantillonnées et les transcriptions avec le 8B sur un seul GPU de 24 GB et stocker les vecteurs dans une base de données vectorielle existante ; réduire à 1 024 dimensions diminue le stockage des trois quarts. La vidéo est l'entrée coûteuse, si bien que le débit GPU, pas les frais de licence, fixe le budget.
Une équipe de support dans une entreprise SaaS dont le centre d'aide est plein de captures d'écran
Répondre aux questions « où est ce réglage » à partir d'une capture d'écran collée
Indexer les articles comme texte et images dans un seul espace, interroger avec la capture d'écran de l'utilisateur et réévaluer les meilleurs résultats avec Qwen3-VL-Reranker-2B. Auto-hébergé, le seul coût est le temps de GPU ; sur l'API d'Alibaba, le texte est à 0,10 $ et les images à 0,258 $ par million de tokens.
Un responsable des données dans une banque réglementée
Adopter la recherche multimodale sous une licence que le juridique approuvera
Apache 2.0 autorise l'usage commercial sans plafond de revenus ni politique d'usage, et les poids tournent dans le réseau de la banque, si bien qu'aucun document ne la quitte. Le compromis est le temps du personnel : il n'y a pas de SLA fournisseur, et l'équipe possède les mises à niveau et la surveillance.
Avant de vous engager
- Mise en route
- pip install sentence-transformers et chargez Qwen/Qwen3-VL-Embedding-8B ; la fiche du modèle donne aussi des exemples Transformers (4.57 ou ultérieur), vLLM et SGLang. Les entrées reçoivent une instruction par défaut « Represent the user's input. » sauf si vous passez la vôtre.
- Intégrations
- Sentence Transformers, Transformers, vLLM et SGLang selon la fiche du modèle. L'API DashScope d'Alibaba Cloud Model Studio héberge un qwen3-vl-embedding avec un mode de fusion qui fusionne texte, images et vidéo en un seul vecteur.
- Données et confidentialité
- Apache 2.0 : usage commercial, modification et redistribution autorisés, sans plafond de revenus ni politique d'usage acceptable attachée aux poids. Auto-hébergé, aucune donnée ne quitte votre infrastructure.
- Coût à grande échelle
- Auto-hébergé, le 8B a besoin d'environ 16 GB pour les poids BF16, soit un GPU de 24 GB par réplique ; le 2B environ 4 GB. Sur l'API d'Alibaba, 10 milliards de tokens de texte coûtent environ 1 000 $, avec les tokens d'image et de vidéo à 0,258 $ par million.
- Limites
- 32K tokens par entrée ; les instructions fonctionnent le mieux en anglais. La version hébergée d'Alibaba autorise 5 images et 20 éléments par requête, 5 MB par image et 50 MB par vidéo, avec la vidéo par URL uniquement.
Les points forts
- 77,9 sur MMEB-V2, en tête du propre tableau de comparaison de Qwen
- Texte, images, captures d'écran et vidéo dans un seul espace vectoriel
- Apache 2.0, avec des rerankers 2B et 8B assortis
- Le 8B tient sur un GPU de 24 GB en BF16
Les points faibles
- Derrière Seed-1.6 sur la vidéo et IFM-TTE sur ViDoRe v2 dans le propre tableau de Qwen
- Environ 2,7 points sous Qwen3-Embedding-8B sur le texte
- Benchmarks en grande partie autodéclarés
- L'API hébergée plafonne les requêtes à cinq images
Idéal pour
Les équipes qui auto-hébergent une recherche sur images, vidéo et documents mixtes sous une licence permissive.
Alternatives à Qwen3-VL-Embedding
Qwen3-VL-Embedding : questions fréquentes
- Qwen3-VL-Embedding vaut-il le coup ?
- L'embedder ouvert par lequel commencer quand un seul index doit contenir des diapositives, des captures d'écran et de la vidéo aux côtés du texte, avec Apache 2.0 qui règle la question de la licence. Nous lui donnons 4.3 sur 5.
- Combien coûte Qwen3-VL-Embedding ?
- Gratuit sous Apache 2.0.
- Quels sont les inconvénients de Qwen3-VL-Embedding ?
- Derrière Seed-1.6 sur la vidéo et IFM-TTE sur ViDoRe v2 dans le propre tableau de Qwen; environ 2,7 points sous Qwen3-Embedding-8B sur le texte; benchmarks en grande partie autodéclarés; l'API hébergée plafonne les requêtes à cinq images.
- À qui s’adresse Qwen3-VL-Embedding ?
- Les équipes qui auto-hébergent une recherche sur images, vidéo et documents mixtes sous une licence permissive.
- Combien coûte Qwen3-VL-Embedding pour une équipe ou en production ?
- Auto-hébergé, le 8B a besoin d'environ 16 GB pour les poids BF16, soit un GPU de 24 GB par réplique ; le 2B environ 4 GB. Sur l'API d'Alibaba, 10 milliards de tokens de texte coûtent environ 1 000 $, avec les tokens d'image et de vidéo à 0,258 $ par million.
- Qwen3-VL-Embedding est-il sûr pour les données de l’entreprise ?
- Apache 2.0 : usage commercial, modification et redistribution autorisés, sans plafond de revenus ni politique d'usage acceptable attachée aux poids. Auto-hébergé, aucune donnée ne quitte votre infrastructure.
- Quelles sont les meilleures alternatives à Qwen3-VL-Embedding ?
- Les alternatives les plus proches que nous avons testées sont EmbeddingGemma 2, Jina Embeddings v5, Gemini Embedding 2 et Nemotron ColEmbed V2.
Réponses vérifiées le 22 oct. 2026.