Qwen3 Vl Embedding

用一句话找到图片和视频

Qwen3-VL-Embedding 适合为商品库、设计素材和视频资料建立语义索引。用户可以输入“雨天街头撑红伞的人”，寻找内容相近的照片或视频，也可以上传一张商品图，检索外观与场景相似的素材。它把不同形式的内容转换为可比较的数值向量，帮助检索系统找到相关候选。

分别检索，还是把图文合在一起？

默认情况下，文字、图片和视频分别生成向量，便于独立搜索和比较。设置 enable_fusion=true 后，同一次输入的内容会合成一个向量。例如将产品照片与“轻量通勤双肩包，适合携带笔记本电脑”的说明一起编码，搜索时就能同时考虑外观与用途。多张图片需要分别作为 image 内容传入。

向量默认是 2,560 维，也可选择 2,048、1,536、1,024、768、512 或 256 维。较小维度有利于减少索引存储与计算量，具体召回效果应使用自己的查询样例比较。建库与查询应保持同一模型和维度，改变编码设置后重新生成对应索引。

能定位视频中的某一秒吗？

模型输出语义向量，不直接给出答案或事件时间点。需要片段级搜索时，应用先把长视频切成带时间范围的片段，分别编码，并将向量与原视频地址、起止时间一起保存。检索后再返回相应片段；需要文字解释时，可把检索结果交给问答模型。

为商品图片建库时，把图片 URL 与商品说明放入 input.contents，例如：

[{"image":"可公开访问的商品图片URL"},{"text":"米色帆布双肩包，可放入14英寸电脑"}]

在 parameters 中设置 enable_fusion=true 和 dimension=1024，保存返回向量与商品 ID。用户查询“适合上班背的浅色电脑包”时，将查询文字编码为同维度向量，再用余弦相似度搜索商品索引。

图片可用 URL 或 Base64，视频使用可公开访问的 URL；单张图片不超过 10 MB，视频文件不超过 50 MB。先用外观相似但用途不同的商品检查误召回，再决定是否补充文字说明或增加重排序。