Qwen3-VL-Embeddingとは？
Qwen3-VL-Embeddingは、AlibabaのQwenチームによる2つのオープンな埋め込みモデルで、2026年1月にApache 2.0で2Bと8Bのサイズで公開され、対応するQwen3-VL-Rerankerモデルもあります。視覚言語モデルQwen3-VLをベースにしており、テキスト、画像、スクリーンショット、動画、またはそれらの組み合わせを受け取って1つの共有ベクトル空間に置きます。そのため、文章の質問でチャート、スライド、動画クリップを探せます。
どちらのサイズも最大32Kトークンを読み、30以上の言語に対応しています。ベクトルは最大2,048次元（2B）または4,096次元（8B）で、64以上の任意のサイズに削れます。Qwenによると、タスクの指示でほとんどのタスクが1%から5%改善し、指示は英語で書くことが推奨されています。
Alibaba Cloud Model Studioは、ホスト版のqwen3-vl-embeddingも販売しており、料金は100万テキストトークンあたり$0.10、100万画像・動画トークンあたり$0.258で、出力サイズは最大2,560です。それがオープンな8Bと同じチェックポイントかどうかを、Alibabaは明らかにしていません。8Bの直近1か月のHugging Faceのダウンロードは約133万（1.33 million）件でした。
Qwen3-VL-Embeddingは使う価値があるか？
検索の対象がテキストだけでないとき、最初に試すべきオープンモデルはQwen3-VL-Embeddingです。78のデータセットからなるマルチモーダル埋め込みのベンチマークMMEB-V2で、Qwen自身の表は8Bに総合77.9を付けており、ByteDanceのSeed-1.6-embeddingの76.9や、掲載された他のすべてのモデルを上回ります。2Bは73.4です。Qwenは競合の大半を更新版の分割で再実行しているため、差は確定値ではなく目安と考えるべきです。
リードは一様ではありません。同じ表で、Seed-1.6-embeddingは動画の総合でこれを上回り（67.7対66.1）、IFM-TTEはViDoRe v2のページ検索サブセットで上回ります（71.5対69.9）。スキャンしたページが中心のコレクションなら、単一ベクトルのモデルに決める前に、1ページに多くのベクトルを持つlate-interaction型の検索モデルを試す価値があります。
テキストでは少し譲ります。Qwenの報告では、8Bの多言語MMTEBは67.88で、テキスト専用のQwen3-Embedding-8Bは70.58、OpenAIのtext-embedding-3-largeは58.93です。混在したコンテンツを1つのインデックスで扱うほうが、テキストと画像のストアを分けるより運用は簡単で、多くのチームにとってはその手軽さが3ポイントの差を上回ります。
ハードウェアの費用は控えめです。8Bの81億4,000万（8.14 billion）パラメータはBF16でおよそ16 GBで、24 GBのカード1枚に収まり、2Bは約4 GBです。高くつく入力は動画です。サンプリングした各フレームが画像トークンになるためで、Alibabaのホスト版は1リクエストを画像5枚、20項目までに制限しています。そのため、動画を大量にインデックス化するにはセルフホストが現実的な道です。
真価を発揮する場面
大規模なニュース映像アーカイブを持つ放送局のMLエンジニア
編集者が場面を説明するだけでクリップを見つけられるようにする
24 GBのGPU 1枚で、サンプリングしたフレームと書き起こしを8Bで埋め込み、ベクトルを既存のベクトルデータベースに保存します。1,024次元に削れば保存容量は4分の3 減ります。高くつく入力は動画なので、予算を決めるのはライセンス料ではなくGPUのスループットです。
ヘルプセンターがスクリーンショットだらけのSaaS企業のサポートチーム
貼り付けられたスクリーンショットから「この設定はどこにあるか」という質問に答える
記事をテキストと画像として1つの空間にインデックス化し、ユーザーのスクリーンショットで検索して、上位の結果をQwen3-VL-Reranker-2Bで採点し直します。セルフホストならコストはGPUの時間だけです。AlibabaのAPIでは、100万トークンあたりテキストが$0.10、画像が$0.258です。
規制下にある銀行のデータ責任者
法務が承認するライセンスのもとでマルチモーダル検索を導入する
Apache 2.0は売上上限も利用ポリシーもなく商用利用を認め、重みは銀行のネットワーク内で動くので、文書は外に出ません。代わりに人手がかかります。ベンダーのSLAはなく、アップグレードと監視はチームが担います。
導入前に確認すること
- 導入
- sentence-transformersをpip installし、Qwen/Qwen3-VL-Embedding-8Bを読み込みます。モデルカードにはTransformers（4.57以降）、vLLM、SGLangの例もあります。独自の指示を渡さない限り、入力には既定の'Represent the user's input.'という指示が付きます。
- 連携
- モデルカードによると、Sentence Transformers、Transformers、vLLM、SGLangに対応しています。Alibaba Cloud Model StudioのDashScope APIは、テキスト、画像、動画を1つのベクトルにまとめるfusionモード付きのqwen3-vl-embeddingをホストしています。
- データとプライバシー
- Apache 2.0：商用利用、改変、再配布が認められ、重みに売上上限や利用規定は付いていません。セルフホストなら、データは自社のインフラの外に出ません。
- 大規模利用時のコスト
- セルフホストでは、8BのBF16の重みに約16 GBが必要なので、レプリカごとに24 GBのGPUが1枚要ります。2Bは約4 GBです。AlibabaのAPIでは、テキスト100億（10 billion）トークンで約$1,000、画像と動画のトークンは100万あたり$0.258です。
- 制限
- 入力あたり32Kトークンです。指示は英語が最も効きます。Alibabaのホスト版は、1リクエストあたり画像5枚と20項目まで、画像1枚5 MB、動画50 MBまでで、動画はURL指定のみです。
良い点
- MMEB-V2で77.9、Qwen自身の比較表で首位
- テキスト、画像、スクリーンショット、動画を1つのベクトル空間に
- Apache 2.0で、対応する2Bと8Bのリランカーあり
- 8BはBF16で24 GBのGPUに収まる
気になる点
- Qwen自身の表で、動画ではSeed-1.6に、ViDoRe v2ではIFM-TTEに劣る
- テキストではQwen3-Embedding-8Bより約2.7ポイント低い
- ベンチマークはほぼ自己申告
- ホスト版APIはリクエストあたり画像5枚まで
おすすめの人
寛容なライセンスのもとで、画像、動画、混在した文書をまたぐ検索をセルフホストするチーム。
Qwen3-VL-Embeddingの代替
Qwen3-VL-Embedding：よくある質問
- Qwen3-VL-Embeddingは使う価値があるか？
- 1つのインデックスにテキストと並べてスライド、スクリーンショット、動画を収める必要があるとき、最初に試すべきオープンな埋め込みモデルです。ライセンスの問題はApache 2.0が片付けます。 評価は5点満点中4.3点です。
- Qwen3-VL-Embeddingの料金は？
- Apache 2.0で無料です。
- Qwen3-VL-Embeddingの欠点は？
- Qwen自身の表で、動画ではSeed-1.6に、ViDoRe v2ではIFM-TTEに劣る; テキストではQwen3-Embedding-8Bより約2.7ポイント低い; ベンチマークはほぼ自己申告; ホスト版APIはリクエストあたり画像5枚まで.
- Qwen3-VL-Embeddingは誰に向いているか？
- 寛容なライセンスのもとで、画像、動画、混在した文書をまたぐ検索をセルフホストするチーム。
- チームや本番環境でQwen3-VL-Embeddingを使うと費用はいくらか？
- セルフホストでは、8BのBF16の重みに約16 GBが必要なので、レプリカごとに24 GBのGPUが1枚要ります。2Bは約4 GBです。AlibabaのAPIでは、テキスト100億（10 billion）トークンで約$1,000、画像と動画のトークンは100万あたり$0.258です。
- Qwen3-VL-Embeddingは企業データを扱っても安全か？
- Apache 2.0：商用利用、改変、再配布が認められ、重みに売上上限や利用規定は付いていません。セルフホストなら、データは自社のインフラの外に出ません。
- Qwen3-VL-Embeddingの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はEmbeddingGemma 2, Jina Embeddings v5, Gemini Embedding 2 、 Nemotron ColEmbed V2です。
回答確認日：2026年10月22日