O que é Qwen3-VL-Embedding?
O Qwen3-VL-Embedding é um par de modelos abertos de embedding da equipe Qwen da Alibaba, lançado em janeiro de 2026 sob Apache 2.0 nos tamanhos 2B e 8B, com modelos Qwen3-VL-Reranker correspondentes. Construídos sobre o modelo de visão e linguagem Qwen3-VL, eles recebem texto, imagens, capturas de tela, vídeo ou qualquer combinação deles e os colocam em um único espaço vetorial compartilhado, de modo que uma pergunta escrita pode encontrar um gráfico, um slide ou um trecho de vídeo.
Os dois tamanhos leem até 32K tokens e suportam mais de 30 idiomas. Os vetores vão até 2.048 dimensões (2B) ou 4.096 (8B) e podem ser cortados para qualquer tamanho a partir de 64. A Qwen diz que instruções de tarefa melhoram a maioria das tarefas de 1% a 5% e recomenda escrevê-las em inglês.
O Alibaba Cloud Model Studio também vende um qwen3-vl-embedding hospedado a US$ 0,10 por milhão de tokens de texto e US$ 0,258 por milhão de tokens de imagem ou vídeo, com tamanhos de saída de até 2.560; a Alibaba não diz se é o mesmo checkpoint do 8B aberto. O 8B registrou cerca de 1,33 milhão de downloads no Hugging Face no último mês.
Qwen3-VL-Embedding vale a pena?
O Qwen3-VL-Embedding é o modelo aberto por onde começar quando a busca precisa cobrir mais que texto. No MMEB-V2, um benchmark de embedding multimodal com 78 conjuntos de dados, a tabela da própria Qwen dá ao 8B 77,9 no geral, à frente do Seed-1.6-embedding da ByteDance, com 76,9, e de todos os outros modelos listados; o 2B marca 73,4. A Qwen rodou de novo a maioria dos rivais em uma divisão atualizada, então trate as margens como indicativas, não definitivas.
A liderança não é uniforme. Na mesma tabela, o Seed-1.6-embedding o supera em vídeo no geral (67,7 a 66,1), e o IFM-TTE o supera no subconjunto de recuperação de páginas ViDoRe v2 (71,5 a 69,9). Para coleções dominadas por páginas digitalizadas, vale testar um recuperador de interação tardia, que guarda muitos vetores por página, antes de fechar com um modelo de vetor único.
Em texto ele cede um pouco. A Qwen relata 67,88 no MMTEB multilíngue para o 8B, contra 70,58 do Qwen3-Embedding-8B, só de texto, e 58,93 do text-embedding-3-large da OpenAI. Um único índice para conteúdo misto é mais simples de operar do que armazenamentos separados de texto e imagem, e para muitas equipes essa conveniência pesa mais que três pontos.
A conta de hardware é modesta. Os 8,14 bilhões de parâmetros do 8B dão cerca de 16 GB em BF16, dentro de uma placa de 24 GB, e o 2B precisa de cerca de 4 GB. O vídeo é a entrada cara, porque cada quadro amostrado vira tokens de imagem, e a versão hospedada da Alibaba limita uma requisição a cinco imagens e 20 itens, o que faz da auto-hospedagem o caminho prático para indexar vídeo em massa.
Onde ele se destaca
Um engenheiro de ML em uma emissora com um grande arquivo de imagens de telejornal
Permitir que editores encontrem trechos descrevendo uma cena
Gere embeddings de quadros amostrados e transcrições com o 8B em uma única GPU de 24 GB e armazene os vetores em um banco de vetores existente; cortar para 1.024 dimensões reduz o armazenamento em três quartos. O vídeo é a entrada cara, então é a vazão da GPU, e não tarifas de licença, que define o orçamento.
Uma equipe de suporte em uma empresa SaaS cuja central de ajuda está cheia de capturas de tela
Responder a perguntas do tipo 'onde fica esta configuração' a partir de uma captura de tela colada
Indexe os artigos como texto e imagens em um único espaço, consulte com a captura de tela do usuário e pontue de novo os primeiros resultados com o Qwen3-VL-Reranker-2B. Auto-hospedado, o único custo é tempo de GPU; na API da Alibaba, texto custa US$ 0,10 e imagens US$ 0,258 por milhão de tokens.
Um head de dados em um banco regulado
Adotar busca multimodal sob uma licença que o jurídico vai aprovar
A Apache 2.0 permite uso comercial sem teto de receita nem política de uso, e os pesos rodam dentro da rede do banco, então nenhum documento sai dela. A contrapartida é tempo da equipe: não há SLA de fornecedor, e a equipe responde por atualizações e monitoramento.
Antes de decidir
- Configuração
- pip install sentence-transformers e carregue Qwen/Qwen3-VL-Embedding-8B; o model card também traz exemplos com Transformers (4.57 ou posterior), vLLM e SGLang. As entradas recebem a instrução padrão 'Represent the user's input.' a menos que você passe a sua.
- Integrações
- Sentence Transformers, Transformers, vLLM e SGLang, segundo o model card. A API DashScope do Alibaba Cloud Model Studio hospeda um qwen3-vl-embedding com um modo de fusão que junta texto, imagens e vídeo em um único vetor.
- Dados e privacidade
- Apache 2.0: uso comercial, modificação e redistribuição permitidos, sem teto de receita nem política de uso aceitável vinculada aos pesos. Auto-hospedado, nenhum dado sai da sua infraestrutura.
- Custo em escala
- Auto-hospedado, o 8B precisa de cerca de 16 GB para os pesos em BF16, então uma GPU de 24 GB por réplica; o 2B, cerca de 4 GB. Na API da Alibaba, 10 bilhões de tokens de texto custam cerca de US$ 1.000, com tokens de imagem e vídeo a US$ 0,258 por milhão.
- Limites
- 32K tokens por entrada; as instruções funcionam melhor em inglês. A versão hospedada da Alibaba permite 5 imagens e 20 itens por requisição, 5 MB por imagem e 50 MB por vídeo, com vídeo apenas por URL.
O que é bom
- 77,9 no MMEB-V2, topo da tabela de comparação da própria Qwen
- Texto, imagens, capturas de tela e vídeo em um único espaço vetorial
- Apache 2.0, com rerankers 2B e 8B correspondentes
- O 8B cabe em uma GPU de 24 GB em BF16
O que não é
- Atrás do Seed-1.6 em vídeo e do IFM-TTE no ViDoRe v2 na própria tabela da Qwen
- Cerca de 2,7 pontos abaixo do Qwen3-Embedding-8B em texto
- Benchmarks em grande parte autodeclarados
- A API hospedada limita as requisições a cinco imagens
Ideal para
Equipes que auto-hospedam busca em imagens, vídeo e documentos mistos sob uma licença permissiva.
Alternativas ao Qwen3-VL-Embedding
Qwen3-VL-Embedding: perguntas frequentes
- Qwen3-VL-Embedding vale a pena?
- O embedder aberto por onde começar quando um único índice precisa guardar slides, capturas de tela e vídeo ao lado de texto, com a Apache 2.0 resolvendo a questão da licença. Damos nota 4.3 de 5.
- Quanto custa Qwen3-VL-Embedding?
- Gratuito sob Apache 2.0.
- Quais são as desvantagens de Qwen3-VL-Embedding?
- Atrás do Seed-1.6 em vídeo e do IFM-TTE no ViDoRe v2 na própria tabela da Qwen; cerca de 2,7 pontos abaixo do Qwen3-Embedding-8B em texto; benchmarks em grande parte autodeclarados; a API hospedada limita as requisições a cinco imagens.
- Para quem Qwen3-VL-Embedding é indicado?
- Equipes que auto-hospedam busca em imagens, vídeo e documentos mistos sob uma licença permissiva.
- Quanto custa Qwen3-VL-Embedding para uma equipe ou em produção?
- Auto-hospedado, o 8B precisa de cerca de 16 GB para os pesos em BF16, então uma GPU de 24 GB por réplica; o 2B, cerca de 4 GB. Na API da Alibaba, 10 bilhões de tokens de texto custam cerca de US$ 1.000, com tokens de imagem e vídeo a US$ 0,258 por milhão.
- Qwen3-VL-Embedding é seguro para dados da empresa?
- Apache 2.0: uso comercial, modificação e redistribuição permitidos, sem teto de receita nem política de uso aceitável vinculada aos pesos. Auto-hospedado, nenhum dado sai da sua infraestrutura.
- Quais são as melhores alternativas ao Qwen3-VL-Embedding?
- As alternativas mais próximas que analisamos são EmbeddingGemma 2, Jina Embeddings v5, Gemini Embedding 2 e Nemotron ColEmbed V2.
Respostas verificadas em 22 de out. de 2026.