Qwen3 Vl Rerank

让搜索结果更贴合具体要求

Qwen3-VL-Rerank 适合接在关键词或向量检索之后，重新判断查询与每个候选的相关程度。例如搜索“白色、有盖、带把手的陶瓷杯”，初次召回可能混入白色玻璃杯、无盖马克杯和带盖保温杯。重排序会结合查询条件与候选内容打分，帮助筛选更符合要求的结果。

它支持文字或图片作为查询，候选可以是文字、图片和视频。商品图搜、设计参考图筛选、视频素材精排，以及带图片的知识库检索，都可以使用这一流程。图片查询适合从一张参考图中寻找相近内容，文字查询则便于描述主体、动作和场景要求。

怎样与检索系统配合？

先从完整资料库召回一批候选，再把查询和这些候选交给模型，使用 top_n 控制返回数量。需要强调特定排序目标时，可通过 instruct 说明任务，例如优先考虑主体与动作是否匹配。应用应保存候选 ID 与输入顺序，再按返回的 index 找回原始素材。

返回结果包含相关性分数和排序，不会生成向量或聊天答案。分数用于当前请求内比较，不宜把不同查询的分数当作统一的合格线；也不能从未召回的资料中补出结果。视频按片段保存并带上时间范围，能够让搜索结果直接跳转到对应内容。

例如搜索产品照片，在 input.query 中传入 {"text":"白色、有盖、带把手的陶瓷杯"}，在 input.documents 中依次放入候选图片对象 {"image":"候选图片URL"}，并设置 parameters.top_n=3。

读取 output.results，用每项的 index 对应商品 ID，按 relevance_score 返回排序后的素材。图片可以使用 URL 或 Base64，视频候选使用可公开访问的 URL。

先用人工标注的小组查询比较精排前后前几名的相关性。若目标商品根本没被初次召回，应调整检索或候选数量；若存在颜色、材质等硬性条件，可结合商品字段过滤，再交给模型排序。