Qwen3-Embedding-8B ist Qwens Text-Embedding-Modell mit 8 Milliarden Parametern, aufgebaut auf dem dichten Qwen3-Basismodell. Es stellt Text als numerische Vektoren dar, statt Gesprächsantworten zu erzeugen. Qwen nennt Textsuche, Codesuche, Klassifikation, Clustering und das Finden paralleler Texte als unterstützte Anwendungsgebiete. Ein Suchsystem kann diese Vektoren nutzen, um eine Frage mit relevanten Passagen zu vergleichen; eine Dokumentensammlung kann damit semantisch verwandtes Material finden oder Datensätze in Gruppen ordnen.
Das konkrete Modell unterstützt eine Sequenzlänge von 32K Tokens und Embeddings mit bis zu 4.096 Dimensionen. Es unterstützt zudem benutzerdefinierte Ausgabedimensionen von 32 bis 4.096 durch Matryoshka Representation Learning. Die Vektorlänge wird damit zu einer bewussten Entwurfsentscheidung: Ein kürzerer Vektor verändert die Größe der Darstellung, während die vollständige Ausgabe die maximale Dimensionalität des Modells bewahrt. Halten Sie die gewählte Dimension für Dokumente und Suchanfragen, die in einem Index verglichen werden, konsistent. Qwen3-Embedding-4B ist eine separate Ausführung mit einer anderen maximalen Dimension, kein austauschbarer Vektorlieferant für eine bestehende 8B-Sammlung.
Der Hersteller beschreibt die Unterstützung von mehr als 100 Sprachen, einschließlich Programmiersprachen, sowie mehrsprachige, sprachübergreifende und codebezogene Suche. Eine praktische Sammlung kann Dokumente in mehreren Sprachen enthalten, während Suchanfragen nach der relevanten Bedeutung suchen, oder Quellcodepassagen, die für eine natürlichsprachliche Frage indexiert wurden. Behalten Sie wichtige Kennungen, Titel und Fachbegriffe in der Eingabe. Lassen Sie bei Code die begleitende Erklärung der Funktion oder des Moduls beim Ausschnitt, wenn dieser Kontext Teil der Frage ist. Die Ausgabe bleibt eine Vektordarstellung; den passenden Dokumenttext zurückzugeben, ist der nächste Schritt der Suchanwendung.
Das Modell berücksichtigt Anweisungen. Qwen empfiehlt eine an die Suchaufgabe angepasste Anweisung in einem Satz und empfiehlt für mehrsprachige Nutzung, diese Anweisung auf Englisch zu schreiben. Das direkte Beispiel formatiert eine Anfrage mit Instruct: gefolgt von der Aufgabenbeschreibung und Query: gefolgt von der Frage. Die zu durchsuchenden Dokumente benötigen in diesem Beispiel nicht dasselbe Anweisungspräfix. Eine passende eigene Aufgabenbeschreibung könnte das Finden technischer Passagen zur Erklärung eines Nutzerfehlers beschreiben und anschließend die konkrete Fehlerbeschreibung in die Anfrage aufnehmen. Die Anweisung beschreibt, welche Art semantischer Beziehung die Suche bevorzugen soll.
Qwens Beispiele kodieren Suchanfragen und Dokumente separat, vergleichen ihre Vektoren mit Kosinusähnlichkeit und zeigen ein Verfahren auf niedrigerer Ebene, das den verborgenen Zustand des letzten Tokens herausgreift und das Embedding vor einem Vergleich per Skalarprodukt normalisiert. Ein nützlicher Ablauf verknüpft den Vektor jeder Passage mit ihrer Quellenkennung, vergleicht eine vorbereitete Anfrage mit den gespeicherten Vektoren und gibt die entsprechenden Passagen in der Reihenfolge ihrer Ähnlichkeit zurück. Die Kürzung auf 8.192 Tokens im Beispiel ist eine gewählte Einstellung der Eingabeverarbeitung und unterscheidet sich von der dokumentierten Sequenzlänge des Modells von 32K. Prüfen Sie bei der Vorbereitung langer Eingaben, was erhalten bleibt.
Embedding- und Reranking-Modelle sind unterschiedliche Komponenten der Qwen-Veröffentlichung. Ein Embedding-Modell stellt ein einzelnes Textsegment dar und ermöglicht eine erste Ähnlichkeitssuche. Ein separates Reranking-Modell bewertet die Beziehung zwischen einer Anfrage und Kandidatenpassagen und kann ihre Reihenfolge verfeinern. Qwen beschreibt die Kombination beider Module, doch Qwen3-Embedding-8B selbst liefert Embeddings, keine Relevanzbewertung eines Rerankers und keine schriftliche Antwort. Behalten Sie für Suche mit anschließender Antwort den gefundenen Quelltext bei und übergeben Sie diese Belege an den antwortenden Schritt. Wählen Sie für die durchsuchte Sammlung ein konsistentes Modell, eine Dimension und eine Anweisung für die Suchanfrage und behalten Sie diese bei.
", "aboutText": "Qwen3-Embedding-8B ist Qwens Text-Embedding-Modell mit 8 Milliarden Parametern, aufgebaut auf dem dichten Qwen3-Basismodell. Es stellt Text als numerische Vektoren dar, statt Gesprächsantworten zu erzeugen. Qwen nennt Textsuche, Codesuche, Klassifikation, Clustering und das Finden paralleler Texte als unterstützte Anwendungsgebiete. Ein Suchsystem kann diese Vektoren nutzen, um eine Frage mit relevanten Passagen zu vergleichen; eine Dokumentensammlung kann damit semantisch verwandtes Material finden oder Datensätze in Gruppen ordnen.\n\nDas konkrete Modell unterstützt eine Sequenzlänge von 32K Tokens und Embeddings mit bis zu 4.096 Dimensionen. Es unterstützt zudem benutzerdefinierte Ausgabedimensionen von 32 bis 4.096 durch Matryoshka Representation Learning. Die Vektorlänge wird damit zu einer bewussten Entwurfsentscheidung: Ein kürzerer Vektor verändert die Größe der Darstellung, während die vollständige Ausgabe die maximale Dimensionalität des Modells bewahrt. Halten Sie die gewählte Dimension für Dokumente und Suchanfragen, die in einem Index verglichen werden, konsistent. Qwen3-Embedding-4B ist eine separate Ausführung mit einer anderen maximalen Dimension, kein austauschbarer Vektorlieferant für eine bestehende 8B-Sammlung.\n\nDer Hersteller beschreibt die Unterstützung von mehr als 100 Sprachen, einschließlich Programmiersprachen, sowie mehrsprachige, sprachübergreifende und codebezogene Suche. Eine praktische Sammlung kann Dokumente in mehreren Sprachen enthalten, während Suchanfragen nach der relevanten Bedeutung suchen, oder Quellcodepassagen, die für eine natürlichsprachliche Frage indexiert wurden. Behalten Sie wichtige Kennungen, Titel und Fachbegriffe in der Eingabe. Lassen Sie bei Code die begleitende Erklärung der Funktion oder des Moduls beim Ausschnitt, wenn dieser Kontext Teil der Frage ist. Die Ausgabe bleibt eine Vektordarstellung; den passenden Dokumenttext zurückzugeben, ist der nächste Schritt der Suchanwendung.\n\nDas Modell berücksichtigt Anweisungen. Qwen empfiehlt eine an die Suchaufgabe angepasste Anweisung in einem Satz und empfiehlt für mehrsprachige Nutzung, diese Anweisung auf Englisch zu schreiben. Das direkte Beispiel formatiert eine Anfrage mit Instruct: gefolgt von der Aufgabenbeschreibung und Query: gefolgt von der Frage. Die zu durchsuchenden Dokumente benötigen in diesem Beispiel nicht dasselbe Anweisungspräfix. Eine passende eigene Aufgabenbeschreibung könnte das Finden technischer Passagen zur Erklärung eines Nutzerfehlers beschreiben und anschließend die konkrete Fehlerbeschreibung in die Anfrage aufnehmen. Die Anweisung beschreibt, welche Art semantischer Beziehung die Suche bevorzugen soll.\n\nQwens Beispiele kodieren Suchanfragen und Dokumente separat, vergleichen ihre Vektoren mit Kosinusähnlichkeit und zeigen ein Verfahren auf niedrigerer Ebene, das den verborgenen Zustand des letzten Tokens herausgreift und das Embedding vor einem Vergleich per Skalarprodukt normalisiert. Ein nützlicher Ablauf verknüpft den Vektor jeder Passage mit ihrer Quellenkennung, vergleicht eine vorbereitete Anfrage mit den gespeicherten Vektoren und gibt die entsprechenden Passagen in der Reihenfolge ihrer Ähnlichkeit zurück. Die Kürzung auf 8.192 Tokens im Beispiel ist eine gewählte Einstellung der Eingabeverarbeitung und unterscheidet sich von der dokumentierten Sequenzlänge des Modells von 32K. Prüfen Sie bei der Vorbereitung langer Eingaben, was erhalten bleibt.\n\nEmbedding- und Reranking-Modelle sind unterschiedliche Komponenten der Qwen-Veröffentlichung. Ein Embedding-Modell stellt ein einzelnes Textsegment dar und ermöglicht eine erste Ähnlichkeitssuche. Ein separates Reranking-Modell bewertet die Beziehung zwischen einer Anfrage und Kandidatenpassagen und kann ihre Reihenfolge verfeinern. Qwen beschreibt die Kombination beider Module, doch Qwen3-Embedding-8B selbst liefert Embeddings, keine Relevanzbewertung eines Rerankers und keine schriftliche Antwort. Behalten Sie für Suche mit anschließender Antwort den gefundenen Quelltext bei und übergeben Sie diese Belege an den antwortenden Schritt. Wählen Sie für die durchsuchte Sammlung ein konsistentes Modell, eine Dimension und eine Anweisung für die Suchanfrage und behalten Sie diese bei.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6966acef939fbb8b1d52904ab096ad037b706b7209495eec74d7232311d88add", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "qwen/qwen3-embedding-8bQwen3-Embedding-8B wandelt Text in semantische Vektoren für mehrsprachige Suche, Codesuche, Klassifikation und Clustering um. Es unterstützt eine Sequenzlänge von 32K Tokens und anpassbare Embedding-Dimensionen von 32 bis 4.096.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Qwen3-Embedding-8B ist Qwens Text-Embedding-Modell mit 8 Milliarden Parametern, aufgebaut auf dem dichten Qwen3-Basismodell. Es stellt Text als numerische Vektoren dar, statt Gesprächsantworten zu erzeugen. Qwen nennt Textsuche, Codesuche, Klassifikation, Clustering und das Finden paralleler Texte als unterstützte Anwendungsgebiete. Ein Suchsystem kann diese Vektoren nutzen, um eine Frage mit relevanten Passagen zu vergleichen; eine Dokumentensammlung kann damit semantisch verwandtes Material finden oder Datensätze in Gruppen ordnen.
Das konkrete Modell unterstützt eine Sequenzlänge von 32K Tokens und Embeddings mit bis zu 4.096 Dimensionen. Es unterstützt zudem benutzerdefinierte Ausgabedimensionen von 32 bis 4.096 durch Matryoshka Representation Learning. Die Vektorlänge wird damit zu einer bewussten Entwurfsentscheidung: Ein kürzerer Vektor verändert die Größe der Darstellung, während die vollständige Ausgabe die maximale Dimensionalität des Modells bewahrt. Halten Sie die gewählte Dimension für Dokumente und Suchanfragen, die in einem Index verglichen werden, konsistent. Qwen3-Embedding-4B ist eine separate Ausführung mit einer anderen maximalen Dimension, kein austauschbarer Vektorlieferant für eine bestehende 8B-Sammlung.
Der Hersteller beschreibt die Unterstützung von mehr als 100 Sprachen, einschließlich Programmiersprachen, sowie mehrsprachige, sprachübergreifende und codebezogene Suche. Eine praktische Sammlung kann Dokumente in mehreren Sprachen enthalten, während Suchanfragen nach der relevanten Bedeutung suchen, oder Quellcodepassagen, die für eine natürlichsprachliche Frage indexiert wurden. Behalten Sie wichtige Kennungen, Titel und Fachbegriffe in der Eingabe. Lassen Sie bei Code die begleitende Erklärung der Funktion oder des Moduls beim Ausschnitt, wenn dieser Kontext Teil der Frage ist. Die Ausgabe bleibt eine Vektordarstellung; den passenden Dokumenttext zurückzugeben, ist der nächste Schritt der Suchanwendung.
Das Modell berücksichtigt Anweisungen. Qwen empfiehlt eine an die Suchaufgabe angepasste Anweisung in einem Satz und empfiehlt für mehrsprachige Nutzung, diese Anweisung auf Englisch zu schreiben. Das direkte Beispiel formatiert eine Anfrage mit Instruct: gefolgt von der Aufgabenbeschreibung und Query: gefolgt von der Frage. Die zu durchsuchenden Dokumente benötigen in diesem Beispiel nicht dasselbe Anweisungspräfix. Eine passende eigene Aufgabenbeschreibung könnte das Finden technischer Passagen zur Erklärung eines Nutzerfehlers beschreiben und anschließend die konkrete Fehlerbeschreibung in die Anfrage aufnehmen. Die Anweisung beschreibt, welche Art semantischer Beziehung die Suche bevorzugen soll.
Qwens Beispiele kodieren Suchanfragen und Dokumente separat, vergleichen ihre Vektoren mit Kosinusähnlichkeit und zeigen ein Verfahren auf niedrigerer Ebene, das den verborgenen Zustand des letzten Tokens herausgreift und das Embedding vor einem Vergleich per Skalarprodukt normalisiert. Ein nützlicher Ablauf verknüpft den Vektor jeder Passage mit ihrer Quellenkennung, vergleicht eine vorbereitete Anfrage mit den gespeicherten Vektoren und gibt die entsprechenden Passagen in der Reihenfolge ihrer Ähnlichkeit zurück. Die Kürzung auf 8.192 Tokens im Beispiel ist eine gewählte Einstellung der Eingabeverarbeitung und unterscheidet sich von der dokumentierten Sequenzlänge des Modells von 32K. Prüfen Sie bei der Vorbereitung langer Eingaben, was erhalten bleibt.
Embedding- und Reranking-Modelle sind unterschiedliche Komponenten der Qwen-Veröffentlichung. Ein Embedding-Modell stellt ein einzelnes Textsegment dar und ermöglicht eine erste Ähnlichkeitssuche. Ein separates Reranking-Modell bewertet die Beziehung zwischen einer Anfrage und Kandidatenpassagen und kann ihre Reihenfolge verfeinern. Qwen beschreibt die Kombination beider Module, doch Qwen3-Embedding-8B selbst liefert Embeddings, keine Relevanzbewertung eines Rerankers und keine schriftliche Antwort. Behalten Sie für Suche mit anschließender Antwort den gefundenen Quelltext bei und übergeben Sie diese Belege an den antwortenden Schritt. Wählen Sie für die durchsuchte Sammlung ein konsistentes Modell, eine Dimension und eine Anweisung für die Suchanfrage und behalten Sie diese bei.
POST /v1/embeddingstext, token_idsembedding| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits qwen/qwen3-embedding-8b | Standard— |
Feldinput | Typstring|string[]|integer[]|integer[][] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 Bedingungen: Nicht leerer, homogener Batch. Token-IDs sind nichtnegative Ganzzahlen. Eingabebudget: Maximum: 32.768 · Texteinheit: UTF8-Bytes · Tokeneinheit: Elemente des Token-Arrays | Standard— |
Feldencoding_format | Typstring | AnforderungOptional | Werte und Limits float | Standardfloat |
Felddimensions | Typinteger | AnforderungNicht unterstützt | Werte und Limits Minimum: 1 | Standard— |
Felduser | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldsession_id | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldtrace | Typjson_value | AnforderungOptional | Werte und Limits Bedingungen: Der Quellcode erlaubt dieses JSON-Metadatenfeld; die genaue Semantik beim vorgelagerten Anbieter ist modellspezifisch. | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options abgelehnt | Standard— |
text_to_embedding
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input |
Parameterinput_shapes | Vertragstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Vertragfloat |
Parameterdimensions_override | Vertragfalse |
Parametermax_input_budget_units | Vertrag32768 |
Parametermultimodal_objects | Vertragfalse |
Parametermaterial_types | Vertragtext, token_ids |
Lebenszyklus: synchronous_json
Jeden Vektorindex und jede Dimension beibehalten.
Ein multimodaler Modellname erlaubt auf genau diesem Pfad keine Bildobjekte.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.00002 / 1K Token Ausgabe · Ausgabetoken $0 / 1K Token Eingabe · Cache-Lesen — / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen/qwen3-embedding-8b", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.embeddings.create(model='qwen/qwen3-embedding-8b',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Jeden Vektor mit seinem Index beibehalten. Die Anzahl der Vektoren muss der Anzahl der Eingaben entsprechen; die Dimensionen müssen konsistent sein.
Es wird kein Endpunkt für Embedding-Aufträge eingeführt.
| Feld | Typ |
|---|---|
Feldobject | Typstring |
Feldmodel | Typstring |
Felddata[].index | Typinteger |
Felddata[].embedding | Typfinite float[] |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra qwen/qwen3-embedding-8b
Verwenden Sie die oben angezeigten Methodenpfade.