Qwen3-VL-Embedding
Qwen3-VL-Embeddingは、Qwen3-VLをベースにしたQwenの埋め込みモデルです。画像とテキストを1つのベクトル空間に写像するため、テキストのクエリからそれが説明するページや写真を見つけられます。LibreYOLOは2Bサイズをembedタスクで実行し、これはライブラリで初のVLMベースの埋め込みモデルです。
- タスク
- embeddings
- サイズ
- 2b at 1024 px
- インストール
pip install "libreyolo[vlm]"- サポートティア
- 姉妹ティア、v1.8.0以降。独自のファクトリと契約を持つ、独立した製品インターフェースです。
- ライセンス
- コード:Apache-2.0、重み:Apache-2.0。商用利用
インストール
Qwen3-VL-EmbeddingはLibreYOLOのVLM層に属し、vlm extraが必要です。
pip install "libreyolo[vlm]"推論
重みは初回使用時にLibreYOLO/LibreQwen3VLEmbedding2bからダウンロードされます。これはパラメータを変更していないQwen/Qwen3-VL-Embedding-2Bのミラーです。アーキテクチャはtransformersのQwen3-VL実装で動作します。
from libreyolo import LibreVLM, SAMPLE_IMAGE model = LibreVLM("qwen3-vl-embedding-2b") # 初回使用時に重みをダウンロードresult = model.predict(SAMPLE_IMAGE)print(result.embeddings.shape) # (1, 2048)、単位長from libreyolo import LibreVLM model = LibreVLM("qwen3-vl-embedding-2b")pages = model.embed("pages/") # (N, 2048)、画像ごとに1行 # クエリにはタスク指示を付け、画像はデフォルトのままq = model.embed_text( ["total due on the invoice"], prompt="Retrieve images or text relevant to the user's query.",) # (1, 2048)scores = q @ pages.T # コサイン類似度このファミリーはLibreVLM()、またはLibreQwen3VLEmbeddingクラスで読み込みます。CLIP、SigLIP2、PEと同じembedの契約に従います。predict(image)は形状(1, 2048)のResults.embeddingsを返し、embed(source)は画像ごとに1行を積み重ね、embed_text(texts, prompt=None)は同じ空間のテキスト行を返します。行はL2正規化されているため、内積がそのままコサイン類似度になります。
各入力はチャット形式です。システム指示のあとに画像またはテキストが続きます。最後のトークンの隠れ状態を正規化したものがベクトルです。promptがその指示です。デフォルトはアップストリームの"Represent the user's input."です。画像とテキストの両方で変更するには構築時にprompt=を指定し、呼び出しごとに変えるにはembed_textに渡してください。検索では、クエリにタスク指示を与え、ドキュメントはデフォルトのままにしてください。
画像は32ピクセルのグリッド上で4,096〜1,843,200ピクセルにリサイズされ、アップストリームのリファレンス埋め込み実装と一致します。その実装と比べると、CPU上のfloat32でテキストベクトルの差は最大7.4e-7、画像ベクトルのコサインは0.99998以上です。
バリアント
サイズは2bの1つです。8Bサイズはラップしていません。画像とテキストを組み合わせた入力、動画クリップ(動画はフレームごとに埋め込まれます)、オプションとしてのMatryoshka切り詰めには対応していません。代わりに先頭のk列を切り出して再正規化してください。
エクスポート
推論のみです。chat()、set_classes()、train()、val()、export()は例外を発生させます。
ライセンス
ダウンロードする特定の重みについて、Hugging Faceリポジトリのライセンスを確認してください。LibreYOLO orgの各チェックポイントにはライセンスが付与されており、同じファミリー内でも常に同一とは限りません。そのリポジトリが正式な情報源です。以下の概要は、このページを最後に検証した時点で適用されていた内容を示します。
これは関連するライセンスの説明であり、法的助言ではありません。商用上重要な場合は、自分でライセンスを読み、専門家の助言を受けてください。
- 原著作物
- Qwen3-VL-Embedding, Alibaba (Qwen Team)
- アップストリームのライセンス
- Apache-2.0
- アップストリームのソース
- github.com/QwenLM/Qwen3-VL-Embedding
- LibreYOLOのコード
- MIT
- 重み
- Apache-2.0、huggingface.co/LibreYOLOで再公開
- 解釈
- Apache-2.0 is a permissive license, so the Qwen3-VL-Embedding-2B weights can be used in commercial and closed-source products. Redistributing them means keeping the license text and attribution notices, and the license grants a patent license. LibreYOLO copies no model source: the Qwen3-VL architecture runs through the Apache-2.0 Hugging Face Transformers implementation, and libreyolo/models/vlm/qwen3vl_embedding.py (MIT) adapts only the input conventions and last-token pooling of the reference embedder in QwenLM/Qwen3-VL-Embedding at commit 393e2978d27852b0d0230d6994f37f9c15bed73c (Apache-2.0, see libreyolo/models/vlm/NOTICE). The weights are a mirrored snapshot of Qwen/Qwen3-VL-Embedding-2B at revision 9f2f7e710d6d81056aa5c0a4f04764fec6bb7bda, hosted at LibreYOLO/LibreQwen3VLEmbedding2b with learned parameters unchanged and not gated; the upstream Hugging Face repository ships no LICENSE file, so the mirror carries the Apache-2.0 text from the GitHub repository.
Qwen3-VL-Embedding-2BはAlibabaのQwenチームによるApache-2.0です。商用利用が可能です。ミラーはゲートされていません。アップストリームのHugging FaceリポジトリにはLICENSEファイルが含まれないため、GitHubリポジトリのApache-2.0の本文を同梱しています。
引用
@article{qwen3vlembedding,
title={Qwen3-VL-Embedding and Qwen3-VL-Reranker: A Unified Framework for State-of-the-Art Multimodal Retrieval and Ranking},
author={Li, Mingxin and Zhang, Yanzhao and Long, Dingkun and Chen, Keqin and Song, Sibo and Bai, Shuai and Yang, Zhibo and Xie, Pengjun and Yang, An and Liu, Dayiheng and Zhou, Jingren and Lin, Junyang},
journal={arXiv},
year={2026}
}著者によるgithub.com/QwenLM/Qwen3-VL-Embedding#citationの引用ブロックからコピーしています。