阿里通义发布Qwen3Reranker，开源超强文本重排序模型

**重磅开源！阿里通义千问发布Qwen3 Reranker文本重排序模型，优化搜索体验**。阿里巴巴通义千问团队近日开源了Qwen3 Reranker，这是一款基于Qwen3模型系列的文本重排序模型。该模型采用单塔交叉编码器结构，支持超过100种语言，能够精准评估文本对之间的关联性，并根据关联性评分对候选文本进行排序。Qwen3 Reranker在MTEB排行榜上表现出色，其强大的文本关联性评价和重新排列功能，使其在语义搜索、文本分类、情绪分析及代码查找等领域具有广泛的应用前景，能够显著提升搜索效率和精确度，为用户带来更优质的搜索体验。

Qwen3 Reranker是什么

Qwen3 Reranker是由阿里巴巴通义千问团队推出的文本重排序模型，隶属于Qwen3模型系列。此模型采用了单塔交叉编码器结构，能够接受文本对作为输入，并输出其相关性评分。Qwen3 Reranker经过多阶段训练流程，利用高质量标注数据以及大量生成的数据对进行训练，支持超过100种语言，包括主流自然语言及多种编程语言。在性能方面，Qwen3 Reranker-8B在MTEB排行榜上的得分为72.94，而Qwen3 Reranker-0.6B的表现也超过了Jina和BGE Rerankers。

Qwen3 Reranker的主要功能

• 文本关联性评价：Qwen3 Reranker接收用户的查询与候选文档等文本组合作为输入，计算并给出这两者间的关联性分数，分数越高表明两者间的关联性越强。
• 文本重新排列：依据关联性评分，Qwen3 Reranker可以对候选文本进行排序，把与用户查询最匹配的文本放在首位。
• 优化搜索结果：在语义搜索环境下，这一功能有助于用户迅速定位到最贴合的信息，增强搜索效率和精确度。
• 支持多语言：Qwen3 Reranker支持超过一百种语言，涵盖了主要的语言种类以及多种编程语言。

Qwen3 Reranker的工作原理

• 单一塔式交叉编码器架构：Qwen3 Reranker运用了单一塔式交叉编码器架构，即将查询与候选文档合并后一同送入模型。这种架构允许同时处理文本对，执行深入的交互分析，从而更加精准地评估文本对之间的关联性。
• 指令感知能力：模型具备根据指令动态设定任务目标的能力，比如“判定法律文件的相关性”，这使得模型可以根据不同的任务和场景灵活调整关联性评估的标准。
• 输入输出格式：输入形式遵循特定的聊天模板，包含指令、查询和文档。模型输出为关联性评分，通过计算“是”或“否”的概率来决定。
• 多阶段训练方法：Qwen3 Reranker的训练过程分为多个步骤。在监督微调环节，直接使用高质量标注数据进行训练，以提高训练效率。还会利用合成数据进一步提升模型表现。
• 高质量数据筛选：在训练数据挑选上，Qwen3 Reranker采用了多种高质量标注数据集，如MS MARCO、NQ、HotpotQA等。通过余弦相似度筛选出优质的合成数据对。
• 模型融合技术：采用球面线性插值（SLERP）技术对微调阶段保存的不同模型检查点实施参数融合。这样可以更好地保持模型参数的几何属性，提高模型在不同数据分布中的稳定性和普遍适应性。
• 监督微调损失（SFT Loss）：Qwen3 Reranker优化的是监督微调损失函数，通过最大化正确标签（“yes”或“no”）的概率，让模型学会区分相关和无关文档。这种二分类方式简化了重排序任务，基于Qwen3模型的指令跟随能力。

Qwen3 Reranker的项目链接

• HuggingFace模型库：http://huggingface.co/collections/Qwen/qwen3-reranker

Qwen3 Reranker的实际应用

• 语义搜索：在搜索引擎、问答系统等场合下，对搜索结果进行重新排列，确保最相关的资料优先呈现。
• 文本分类：借助评估文本与类别标签的关联性，辅助完成文本分类任务，提升分类准确性。
• 情绪分析：在情绪分析领域，对评论或文本与情绪标签的关联性进行排序，辅助判断情绪倾向。
• 代码查找：在代码库内，对代码片段与用户查询的关联性进行排序，协助开发人员快速找到所需代码。

文中关于的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《阿里通义发布Qwen3Reranker，开源超强文本重排序模型》文章吧，也可关注golang学习网公众号了解相关技术文章。