---
title: Qwen3-Embedding-RANOptim-0.6B
canonical_url: "https://www.modelscope.cn/models/RR2025/Qwen3-Embedding-RANOptim-0.6B"
md_url: "https://www.modelscope.cn/models/RR2025/Qwen3-Embedding-RANOptim-0.6B.md"
repository: RR2025/Qwen3-Embedding-RANOptim-0.6B
last_updated: 2026-01-28
license: "Apache License 2.0"
pipeline_tag: sentence-embedding
tasks:
  - sentence-embedding
model_type:
  - qwen3
architectures:
  - Qwen3ForCausalLM
base_model:
  - Qwen/Qwen3-Embedding-0.6B
base_model_relation: finetune
library_name:
  - safetensors
  - pytorch
frameworks:
  - PyTorch
language:
  - zh
  - en
downloads: 63
stars: 2
---

# Qwen3-Embedding-RANOptim-0.6B

> Qwen3-Embedding-RANOptim-0.6B - RR2025 在 ModelScope 开源的模型。Qwen3-Embedding-RANOptim-0.6B 无线网优化专业模型是以通义千问 Qwen3-Embedding-0.6B 基础嵌入模型为底座，通过无线网优化领域专属数据集微调训练得到的领域适配型嵌入模型，核心目标是提升无线网优化专业场景下检索增强生成（RAG）系统的检索准确性与语义匹配精度。

RR2025/Qwen3-Embedding-RANOptim-0.6B 是 ModelScope 魔搭社区上的sentence-embedding模型，采用 Apache License 2.0 许可，基于 Qwen/Qwen3-Embedding-0.6B 构建。

- **Repository**: RR2025/Qwen3-Embedding-RANOptim-0.6B
- **License**: Apache License 2.0
- **Tasks**: sentence-embedding
- **Base model**: Qwen/Qwen3-Embedding-0.6B
- **Downloads**: 63
- **Stars**: 2
- **Last updated**: 2026-01-28

Source: https://www.modelscope.cn/models/RR2025/Qwen3-Embedding-RANOptim-0.6B

---

# Qwen3-Embedding-RANOptim-0.6B
无线网优化专业模型是以通义千问 Qwen3-Embedding-0.6B 基础嵌入模型为底座，通过无线网优化领域专属数据集微调训练得到的领域适配型嵌入模型，核心目标是提升无线网优化专业场景下检索增强生成（RAG）系统的检索准确性与语义匹配精度。

模型训练数据涵盖无线网优化全流程专业信息，包括网络性能监控核心指标数据（如 RSSI 信号强度、吞吐量、掉线率等 KPI 数据）、实际优化案例、故障排查指南、AP 部署与频段调整方案、技术规范文档及用户反馈处理记录等，全面覆盖覆盖优化、性能提升、负载均衡等核心业务场景，确保模型深度理解领域专业术语、技术逻辑与问题关联特征。

针对通用嵌入模型在无线网优化专业场景中语义匹配偏差、专业知识捕捉不足的痛点，本模型通过领域数据微调实现了三大核心优化：
1. 强化专业术语与指标的语义表征能力，精准区分「信道干扰」「负载均衡」等领域核心概念的细微差异；
2. 提升场景化问题与解决方案的关联检索精度，助力 RAG 系统快速匹配与实际运维问题对应的优化策略；
3. 适配无线网优化领域文本的碎片化特征（如配置参数说明、步骤化优化流程），优化短文本嵌入质量。

该模型可广泛应用于无线网优化智能运维系统、专业知识库检索、运维问答机器人等基于 RAG 架构的应用场景，为网络优化工程师提供精准的信息检索支撑，有效降低人工查阅资料成本，提升故障诊断与优化决策效率，助力推动无线网优化运维向智能化、高效化升级。

---

## 基础模型 相似度结果 Qwen3-embedding-0.6B
### 相似度矩阵
```
tensor([[0.6675, 0.4648, 0.6211], [0.3867, 0.2046, 0.1356]], dtype=torch.float16)
```

### 详细匹配结果
- 查询：5G小区PCI优化目的
  - 与文档「根据NR网络规范小区PCI范围是多少」的相似度：0.6675
  - 与文档「下倾角优化调整：优先通过机械下倾角下压减小越区小区的覆盖范围，对于美化盒或无法上站进行天馈调整的，通...」的相似度：0.4648
  - 与文档「下行干扰优化，减少PCI共模问题，提升信道质量」的相似度：0.6211

- 查询：新里程万科有多少个小区
  - 与文档「根据NR网络规范小区PCI范围是多少」的相似度：0.3867
  - 与文档「下倾角优化调整：优先通过机械下倾角下压减小越区小区的覆盖范围，对于美化盒或无法上站进行天馈调整的，通...」的相似度：0.2046
  - 与文档「下行干扰优化，减少PCI共模问题，提升信道质量」的相似度：0.1356

---

## 微调后模型 相似度结果 Qwen3-Embedding-RANOptim-0.6B
### 相似度矩阵
```
tensor([[ 0.4666, 0.3789, 0.5806], [ 0.2384, 0.0547, -0.0464]], dtype=torch.float16)
```

### 详细匹配结果
- 查询：5G小区PCI优化目的
  - 与文档「根据NR网络规范小区PCI范围是多少」的相似度：0.4666
  - 与文档「下倾角优化调整：优先通过机械下倾角下压减小越区小区的覆盖范围，对于美化盒或无法上站进行天馈调整的，通...」的相似度：0.3789
  - 与文档「下行干扰优化，减少PCI共模问题，提升信道质量」的相似度：0.5806

- 查询：新里程万科有多少个小区
  - 与文档「根据NR网络规范小区PCI范围是多少」的相似度：0.2384
  - 与文档「下倾角优化调整：优先通过机械下倾角下压减小越区小区的覆盖范围，对于美化盒或无法上站进行天馈调整的，通...」的相似度：0.0547
  - 与文档「下行干扰优化，减少PCI共模问题，提升信道质量」的相似度：-0.0464

#### 您可以通过如下git clone命令，或者ModelScope SDK来下载模型

SDK下载
```bash
#安装ModelScope
pip install modelscope
```
```python
#SDK模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('RR2025/Qwen3-Embedding-RANOptim-0.6B')
```
Git下载
```
#Git模型下载
git clone https://www.modelscope.cn/RR2025/Qwen3-Embedding-RANOptim-0.6B.git
```

# Requires transformers>=4.51.0
# Requires sentence-transformers>=2.7.0
import os
from sentence_transformers import SentenceTransformer
# Load the model
model_path = "./Qwen3-Embedding-RANOptim-0.6B"

if "model_tuning" not in locals() or model_tuning is None:
    try:
        if not os.path.exists(model_path):
            raise FileNotFoundError(f"模型路径不存在：{model_path}")
        
        model_tuning = SentenceTransformer(model_path)
        print("模型载入成功！")
    except Exception as e:
        print(f"模型载入失败：{str(e)}")
else:
    print("模型已存在，无需重复载入！")

# The queries and documents to embed
queries = [
    "5G小区PCI优化目的",
    "大连xxx万达有多少个小区",
]
documents = [
    "根据NR网络规范小区PCI范围是多少",
    "下倾角优化调整：优先通过机械下倾角下压减小越区小区的覆盖范围，对于美化盒或无法上站进行天馈调整的，通过电子下倾角下压缩小覆盖范围。","下行干扰优化，减少PCI共模问题，提升信道质量"
]

# Encode the queries and documents. Note that queries benefit from using a prompt
# Here we use the prompt called "query" stored under `model.prompts`, but you can
# also pass your own prompt via the `prompt` argument
query_embeddings = model_tuning.encode(queries, prompt_name="query")
document_embeddings = model_tuning.encode(documents)

# Compute the (cosine) similarity between the query and document embeddings
similarity = model_tuning.similarity(query_embeddings, document_embeddings)
print(similarity)

<p style="color: lightgrey;">如果您是本模型的贡献者，我们邀请您根据<a href="https://modelscope.cn/docs/ModelScope%E6%A8%A1%E5%9E%8B%E6%8E%A5%E5%85%A5%E6%B5%81%E7%A8%8B%E6%A6%82%E8%A7%88" style="color: lightgrey; text-decoration: underline;">模型贡献文档</a>，及时完善模型卡片内容。</p>
