2026年初，随着Qwen3-VL-Embedding和Qwen3-VL-Reranker家族的发布，多模态领域发生了转变。这些模型建立在最先进的Qwen3-VL基础模型之上，解决了行业中最持久的"大海捞针"RAG问题——大海捞针是一座包含图表、视频和视觉文档的复杂多模态数据山。
视觉RAG允许我们解决"大海捞针"问题，当大海捞针是一堆多模态数据时。
通过将文本、图像和视频映射到共享的嵌入空间，我们终于可以超越基于简单OCR的检索，实现对视觉数据的真正语义理解。
1、系统架构概述
端到端视觉RAG管道架构该架构分为两个主要阶段：提取管道和检索管道。在提取阶段，多模态文档（包含文本和视觉数据）由Qwen3-VL-Embedding模型处理，以生成高维向量表示。这些文档嵌入存储为系统的可搜索知识库。
当用户提交查询时，检索管道被触发。Qwen3-VL-Embedding模型将用户的输入转换为查询嵌入，然后与现有的文档嵌入进行比较以计算相似度。此过程识别一组可能相关的检索文档。为了确保最高的准确性，这些候选文档通过Qwen3-VL-Reranker，将其缩小到最相关的单个顶级文档。这种两阶段检索和重新排序的方法显著提高了检索准确性。最后，Qwen3-VL-Instruct模型将这一特定上下文与原始用户查询合成，生成一个基于上下文的准确响应。
1.1 Qwen3-VL-Embedding
与传统的嵌入模型不同，Qwen3-VL-Embedding模型处理多模态输入——包括文本、图像和视频，并生成语义丰富的向量，在共享嵌入空间中捕获视觉和文本信息。简单来说，这意味着文本"一只狗在公园里玩"的嵌入和一只狗在公园里玩的实际图像的嵌入将非常相似。这种跨模态语义相似性促进了跨不同模态的高效相似性计算和检索。
在这一点上，值得注意的是，由于Qwen3-VL-Embedding基于Qwen3-VL模型，它需要特定的输入格式，如他们的论文中所述。
{instruction}是一个占位符，表示嵌入模型应该如何处理数据。非查询嵌入的默认指令是’表示用户的输入。‘。对于查询嵌入，默认指令是’检索与用户查询相关的图像或文本。’
{instance}标签是您想要嵌入的数据的占位符，可以是文本、图像或视频的形式。对于图像，我们使用特殊的令牌系列<|vision_start|><|image_pad|><|vision_end|>来向模型指示图像将在此处插入。在模型内部，视觉编码器构建图像的编码并将其插入那里。换句话说，这些标记告诉模型"这里放一张图像"。
为了完整性，以下是嵌入模型所需的输入模板示例：
生成文本嵌入的输入模板示例
生成图像嵌入的输入模板示例。请注意，实际图像将作为PIL图像在提示之外单独传递。### 1.2 Qwen3-VL-Reranker
重新排序器是"精确"工具，它通过优化结果来补充嵌入模型。它同时查看查询和文档以计算细粒度的相关性分数，显著减少"幻觉"检索。
与嵌入模型一样，重新排序器也需要特殊的输入模板。
2、示例用例——多模态问答
让我们通过一个实际用例来分析：Alphabet 2025年第一季度收益幻灯片。像这样的幻灯片对于标准RAG来说是出了名的困难，因为关键数据（收入、增长）被困在复杂的图表中，传统的基于OCR的RAG管道无法访问。
Alphabet 2025年第一季度收益幻灯片的示例幻灯片。关键信息存储在图表中，这对传统的基于OCR的RAG管道构成了挑战。
第一步：初始化嵌入模型
我们使用vLLM作为我们的高吞吐量推理引擎。
from vllm import LLM # 初始化嵌入模型 embedding_model = LLM( model="Qwen/Qwen3-VL-Embedding-2B", runner="pooling", dtype='bfloat16', trust_remote_code=True, max_model_len=-1, )第二步：构建RAG逻辑
我们创建一个MultiModalRAG类来处理繁重的工作：将PDF页面转换为图像、生成向量和执行相似性搜索。
from helpers import prepare_vllm_inputs_embedding class MultiModalRAG: def __init__(self, embedding_model=None): self.embedding_model = embedding_model self.documents = [] self.embeddings = [] def embed_pdf(self, pdf_path): images = convert_from_path(pdf_path) emb_inputs = [] for idx, img in enumerate(images): self.documents.append({'pdf_path': pdf_path, 'page_num': idx, 'image': img}) emb_inputs.append({"image": img}) emb_inputs_for_vllm = [prepare_vllm_inputs_embedding(inp, self.embedding_model) for inp in emb_inputs] emb_outputs = self.embedding_model.embed(emb_inputs_for_vllm) for output in emb_outputs: emb = output.outputs.embedding self.embeddings.append(emb) def embed_query(self, query): emb_input = { "text": query, "instruction": "Retrieve images or text relevant to the user's query.", } emb_input_for_vllm = prepare_vllm_inputs_embedding(emb_input, self.embedding_model) emb_output = self.embedding_model.embed(emb_input_for_vllm) query_emb = emb_output[0].outputs.embedding return query_emb def search(self, query): query_embeddings = self.embed_query(query) similarity_scores = np.array(query_embeddings) @ np.array(self.embeddings).T top_5_indices = sorted(range(len(similarity_scores)), key=lambda i: similarity_scores[i], reverse=True)[:5] top_5_documents = [self.documents[i] for i in top_5_indices] return top_5_documents multimodal_rag = MultiModalRAG(embedding_model=embedding_model)请注意，我们调用prepare_vllm_inputs_embedding辅助函数来解析模型所需的输入。
我们可以使用这个类来嵌入PDF文件：
multimodal_rag.embed_pdf("data/slides/2025q1-alphabet-earnings-slides.pdf")并使用查询在文件上运行搜索：
search_results = multimodal_rag.search("What is Alphabet's Q1 2025 revenue?")它返回PDF中最相关的5页列表：
[{'pdf_path': 'data/slides/2025q1-alphabet-earnings-slides.pdf', 'page_num': 3, 'image': <PIL.PpmImagePlugin.PpmImageFile image mode=RGB size=2000x1125>}, {'pdf_path': 'data/slides/2025q1-alphabet-earnings-slides.pdf', 'page_num': 6, 'image': <PIL.PpmImagePlugin.PpmImageFile image mode=RGB size=2000x1125>}, {'pdf_path': 'data/slides/2025q1-alphabet-earnings-slides.pdf', 'page_num': 7, 'image': <PIL.PpmImagePlugin.PpmImageFile image mode=RGB size=2000x1125>}, {'pdf_path': 'data/slides/2025q1-alphabet-earnings-slides.pdf', 'page_num': 4, 'image': <PIL.PpmImagePlugin.PpmImageFile image mode=RGB size=2000x1125>}, {'pdf_path': 'data/slides/2025q1-alphabet-earnings-slides.pdf', 'page_num': 5, 'image': <PIL.PpmImagePlugin.PpmImageFile image mode=RGB size=2000x1125>}]第三步：精确重新排序
一旦我们有了前5个候选，重新排序器将其缩小到最相关的单个幻灯片。
# 初始化Qwen3-VL-Reranker模型 reranker = LLM( model='Qwen/Qwen3-VL-Reranker-2B', runner='pooling', dtype='bfloat16', trust_remote_code=True, hf_overrides={ "architectures": ["Qwen3VLForSequenceClassification"], "classifier_from_token": ["no", "yes"], "is_original_qwen3_reranker": True, }, max_model_len=-1 )我们准备将发送到重新排序器的输入，使用嵌入模型生成的search_results
# 定义查询和候选文档以进行重新排序 inputs = { "instruction": "Retrieve images or text relevant to the user's query.", "query": { "text": "What is Alphabet's Q1 2025 revenue?" }, "documents": search_results }我们使用辅助函数get_rank_scores来解析重新排序器所需的输入并获取排名分数：
# 获取每个文档的相关性分数 scores = get_rank_scores(reranker, inputs) def get_top_reranker_result(scores, search_results): top_document_idx = scores.index(max(scores)) return search_results[top_document_idx] top_reranker_result = get_top_reranker_result(scores, search_results)第四步：基于上下文的生成
最后，我们将排名最高的幻灯片传递给Qwen3-VL-Instruct模型以提取答案。
# 初始化Qwen3-VL-Instruct模型 vlm = LLM( model='Qwen/Qwen3-VL-2B-Instruct', max_model_len=1024*4, max_num_seqs=1, )我们以所需的格式准备输入：
vlm_input = { "instruction": "You are an expert financial analyst.", "text": "What is Alphabet's Q1 2025 revenue?", "image": top_reranker_result['image'] } vlm_input = prepare_vllm_inputs_embedding(vlm_input, vlm)我们将其传递给VLM：
sampling_params = SamplingParams(max_tokens=1024, temperature=0.01) vlm_output = vlm.generate(vlm_input, sampling_params)3、结果
系统正确地识别了收入图表并提取了特定数据点。我们可以看到VLM对提供的图像和文本提示进行联合推理，使其能够生成准确的答案。
根据提供的名为"Alphabet收入和营业收入"的图表，我们可以确定Alphabet 2025年第一季度的收入。
左侧的图表显示了两个季度的"收入（百万美元）"。2025年第一季度的数据显示在图表的右侧。
- 对应于Q1ཕ（2025年第一季度）的条形图在y轴上达到了$90,234的值。
- y轴标记为"收入（百万美元）"，单位是百万美元。
因此，Alphabet 2025年第一季度的收入为$90,234百万美元。
完整代码可以在此仓库中找到：
GitHub - jamesloyys/Multimodal-RAG
4、结束语
在2026年，RAG不再只是关于文本块和关键词。随着Qwen3-VL系列的发布，我们进入了一个AI"看到"上下文就像它"阅读"上下文一样的时代。对于金融分析师、研究人员和开发人员来说，这个统一框架是多模态智能的新黄金标准。
原文链接：基于Qwen3-VL的视觉RAG - 汇智网
