Qwen3 Reranker

Qwen3 Reranker – 阿里通义开源的文本重排序模型

Qwen3 Reranker

Qwen3 Reranker是阿里巴巴通义千问团队推出的文本重排序模型，隶属于Qwen3模型家族。它采用单塔交叉编码器结构，接收文本对作为输入，并输出相关性评分。该模型通过多阶段训练方法，结合高质量标注数据和大量合成训练数据进行训练，支持超过100种语言，涵盖主流自然语言及多种编程语言。

Qwen3 Reranker：文本排序的革新者

在信息的时代，快速准确地获取所需信息至关重要。Qwen3 Reranker，由阿里巴巴通义千问团队倾力打造，正是为了解决这一难题而生。它是一个强大的文本重排序模型，是Qwen3模型家族的一员。该模型利用先进的单塔交叉编码器架构，能够对文本对之间的相关性进行精准评估，从而显著提升信息检索的效率和质量。

核心功能

精准的相关性评估：Qwen3 Reranker能够接收用户查询和候选文档等文本对，并计算它们之间的相关性得分。得分越高，表示文本对之间的关联性越强。
智能文本排序：基于相关性得分，Qwen3 Reranker可以对候选文本进行智能排序，将与用户查询最相关的文本置于首位，方便用户快速找到所需信息。
优化检索结果：在语义检索场景中，这一功能可以帮助用户更快地找到最相关的信息，提升检索效率和准确性，为用户带来更优质的体验。
广泛的语言支持：Qwen3 Reranker支持超过100种语言，包括主流自然语言以及多种编程语言，满足全球用户的多样化需求。

技术亮点

单塔交叉编码器架构：Qwen3 Reranker采用单塔交叉编码器架构，这种设计使得模型能够同时处理查询和候选文档，深度分析文本对之间的交互，从而更准确地评估它们之间的相关性。
指令感知能力：模型具备通过指令动态定义任务目标的能力，例如，在法律文档相关性判断中，模型可以根据不同的任务和场景灵活调整相关性评估标准，实现更精细的语义理解。
灵活的输入输出格式：输入格式采用特定的模板，包含指令、查询和文档。输出则为相关性得分，通过计算“是”或“否”的概率来判断文本的相关程度。
多阶段训练策略：Qwen3 Reranker的训练过程分为多个阶段，包括监督微调和合成数据训练。监督微调阶段使用高质量标注数据，提升训练效率。合成数据训练则进一步增强模型性能。
高质量数据筛选：在训练数据的选择上，Qwen3 Reranker精选了包括MS MARCO、NQ、HotpotQA等在内的多个高质量标注数据集，并利用余弦相似度筛选出高质量的合成数据对。
模型融合技术：采用球面线性插值（SLERP）技术，对微调阶段保存的多个模型检查点进行参数融合，从而更好地保留模型参数的几何特性，提升模型在不同数据分布下的鲁棒性和泛化性能。
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，模型学习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。