在人工智能与自然语言处理（NLP）领域，文本的语义表示（Embedding）是构建智能应用的核心基础能力之一。文本嵌入模型就如同一个神奇的 “翻译官”，能够将人类语言的文本转化为计算机能够理解的数字向量，这些向量承载着文本的语义信息，在语义搜索、推荐系统、文本分类、文本聚类等诸多下游任务中发挥着关键作用。今天，我们将深入剖析两款备受瞩目的文本嵌入模型 ——Qwen3 Embedding 与 BGE，全面对比它们的核心差异。

1、模型背景与发展脉络

（一）Qwen3 Embedding

Qwen3 Embedding 是阿里巴巴通义实验室推出的新一代嵌入模型，基于强大的 Qwen3 语言模型构建。它专为处理文本语义表示而设计，能够将文本转换为高维向量，广泛应用于各类下游任务。其发展紧密依托阿里巴巴在人工智能领域的深厚技术积累和大规模数据优势，致力于为开发者和企业提供更高效、强大的文本嵌入解决方案。在研发过程中，团队针对不同应用场景的需求，不断优化模型架构与训练策略，使其具备卓越的通用性与性能。

（二）BGE

BGE（BAAI General Embedding）由北京智源人工智能研究院研发，是一款开源通用向量模型。自 2023 年 8 月发布首款模型 BGE v1 以来，历经数次迭代，已发展为全面支持 “多场景”“多语言”“多功能”“多模态” 的技术生态体系。它专为各类信息检索及大语言模型检索增强应用打造，通过持续的技术创新和社区反馈优化，在开源社区中获得了极高的关注度与广泛应用，许多 RAG（检索增强生成）开发者将其比作信息检索的 “瑞士军刀”。

2、BGE词嵌入模型架构

BGE模型采用Transformer的Encoder架构：

Encoder架构的词嵌入模型

数据格式: [CLS]句子A [SEP]句子B [SEP]

并行计算: 同时感知上下文，计算速度快

向量表示: Encoder会在输入的最前面加一个特殊的 [CLS]标记。在经过计算后使得[CLS]标记向量能够代表整句话的含义

3、Qwen3 Embedding 模型架构

Qwen3 Embedding 模型采用基于 Qwen3的 dual-encoder和 cross-encoder架构(将decoder-only 中的 casul mask 去掉):

Qwen3 词嵌入模型

Qwen3 Embedding 基于 Qwen3 模型，嵌入模型将单个文本段作为输入，用[EOS]标记所对应的向量代表整句话的向量。

4、Qwen3 Embedding的训练过程

Stage1: 使用大合成数据进行弱监督学习

利用Qwen3基座模型直接合成数据，而BGE与E5等模型都是从开源社区收集数据。

Stage2: 利用高质量合成数据进行 SFT

对筛选出的高质量合成数据和公开监督数据集进行监督训练。

Stage3: 模型合并

将微调过程中的多个模型检查点保存，采用slerp技术进行模型融合，增加泛化能力。

5、Qwen3 Embedding的数据合成

Qwen3 Embedding模型加入信息检索、比对挖掘、分类和文本相似度四类合成数据。

以信息检索为例

输入: 多语种文档 +候选角色

Qwen3-32B 决策: 选择最可能对文档感兴趣的角色、问题类型与难度(高中/大学的知识)

构造检索对: 输入上一阶段的文档与角色，对问题类型、难度进行限制。从角色视角出发，按需求生成文档对应的自然语言查询。

例如：角色为古建筑爱好者，文档关于故宫历史，需求为大学难度20字以内，可能生成【明朝紫禁城的历史建筑意义】。

高质量数据: 对每一对数据计算cosine相似度，选择相似度大于0.7的数据作为高质量数据。

6、Qwen3 Embedding的新用法

Qwen3 Embedding模型的query前能加一个prompt，这个prompt会与query一起向量化。

比如推荐场景:

用户正在阅读一篇新闻报道，你希望在页面下方为其推荐相似文章。而相似有多种维度: 是主题相似?写作风格相似?还是同样提到了某个人物?

那么我们就可以在向量化query前加一个prompt: 寻找写作风格相似的其他文档。

我们就能用同一套文档向量，通过在查询时动态传入不同指令，为用户提供多维度的推荐。比如让用户自己选择“更关心主题”还是“喜欢这个作者的风格”，实现个性化的推荐功能。

7、总结

训练数据不同：以前词嵌入模型采用公开数据，现在的训练数据会使用大模型加工合成，更精细可控，站在了巨人的肩膀上。

模型结构不同：在生成式大模型采用Decoder架构后，词嵌入模型也借鉴了Decoder，使用[EOS]标签对应的向量来表示句子向量，

训练方法改进：Encoder 架构的训练方式是 Mask 猜词与相似度计算。而Qwen3 词嵌入模型采用多阶段训练与合并结果，让模型效果更上一层楼。

8、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】