Qwen3-Embedding-4B es la edición 4B de embeddings de texto de la familia de embeddings y reranking de Qwen. Se basa en el modelo fundacional denso Qwen3 y convierte un segmento de texto en una representación numérica de su significado. Qwen señala como áreas de aplicación la recuperación de texto, la recuperación de código, la clasificación, la agrupación y la minería de textos paralelos. Resulta útil cuando una aplicación necesita encontrar pasajes relacionados, agrupar registros similares o comparar texto entre idiomas. La salida del modelo es un vector de embedding, no una respuesta conversacional ni un documento reescrito.
Esta edición exacta tiene una longitud de secuencia de 32K tokens y una dimensión de embedding de hasta 2,560. Admite dimensiones de salida personalizadas de 32 a 2,560 mediante Matryoshka Representation Learning. La longitud del vector elegida afecta a cómo se almacena y compara la representación, por lo que debes mantenerla coherente entre los vectores de consulta y de documento de una misma colección. Qwen3-Embedding-8B tiene un tamaño de modelo distinto y un máximo de 4,096 dimensiones; ni ese tamaño de salida ni la identidad del modelo 8B se transfieren a esta edición 4B. Un índice existente debe conservar sus propias decisiones coherentes de representación.
El fabricante describe compatibilidad con más de 100 idiomas, incluidos lenguajes de programación, con recuperación multilingüe, entre idiomas y de código. Por ejemplo, una búsqueda en un centro de ayuda puede comparar la pregunta de un usuario con pasajes escritos en varios idiomas y devolver los pasajes originales que coincidan con el tema. Una búsqueda de código puede comparar una descripción en lenguaje natural con funciones relevantes y su documentación. Conserva los encabezados significativos, los términos del dominio y los identificadores al preparar el texto, y mantén cada pasaje representado vinculado a su fuente para que la aplicación pueda mostrar el material coincidente.
Qwen3-Embedding-4B tiene en cuenta las instrucciones. Qwen recomienda acompañar cada consulta de una descripción de la tarea en una sola frase, adaptada a la relación de recuperación buscada, y recomienda instrucciones en inglés para los escenarios multilingües. El ejemplo directo coloca Instruct: antes de la descripción de la tarea y Query: antes del texto de la consulta. Los documentos que se van a recuperar se codifican sin esa instrucción de consulta. Una instrucción práctica original puede especificar la búsqueda de pasajes de documentación que expliquen un error notificado o de fragmentos de código fuente que implementen el comportamiento descrito. Esto orienta la representación hacia la pregunta de la aplicación, en lugar de pedir al modelo que redacte una respuesta.
Los ejemplos oficiales codifican los textos de consulta y documento, comparan sus embeddings mediante similitud del coseno y muestran el pooling del estado oculto del último token seguido de normalización. En ese ejemplo de nivel más bajo, la entrada se trunca con un ajuste elegido de 8,192 tokens; la longitud de secuencia documentada del modelo sigue siendo 32K. Para material largo, decide qué pasajes representar y asegúrate de que el truncamiento no descarte silenciosamente la parte que necesita la consulta. Almacena los vectores con referencias de origen estables, compara la consulta preparada con la colección y devuelve los pasajes asociados por orden de similitud.
El modelo de embeddings de Qwen utiliza un enfoque de doble codificador, mientras que sus modelos de reranking independientes utilizan un codificador cruzado para evaluar pares de consulta y documento. La publicación describe el uso conjunto de esos módulos: los embeddings encuentran candidatos iniciales y un reranker puede refinar después su orden. Qwen3-Embedding-4B proporciona por sí mismo la representación de un texto individual. Su vector no es una puntuación de reranking, una afirmación verificada ni una respuesta generada. Si el flujo final responde a preguntas a partir de material recuperado, los pasajes de origen seleccionados siguen siendo la evidencia que se transmite a esa etapa posterior.
", "aboutText": "Qwen3-Embedding-4B es la edición 4B de embeddings de texto de la familia de embeddings y reranking de Qwen. Se basa en el modelo fundacional denso Qwen3 y convierte un segmento de texto en una representación numérica de su significado. Qwen señala como áreas de aplicación la recuperación de texto, la recuperación de código, la clasificación, la agrupación y la minería de textos paralelos. Resulta útil cuando una aplicación necesita encontrar pasajes relacionados, agrupar registros similares o comparar texto entre idiomas. La salida del modelo es un vector de embedding, no una respuesta conversacional ni un documento reescrito.\n\nEsta edición exacta tiene una longitud de secuencia de 32K tokens y una dimensión de embedding de hasta 2,560. Admite dimensiones de salida personalizadas de 32 a 2,560 mediante Matryoshka Representation Learning. La longitud del vector elegida afecta a cómo se almacena y compara la representación, por lo que debes mantenerla coherente entre los vectores de consulta y de documento de una misma colección. Qwen3-Embedding-8B tiene un tamaño de modelo distinto y un máximo de 4,096 dimensiones; ni ese tamaño de salida ni la identidad del modelo 8B se transfieren a esta edición 4B. Un índice existente debe conservar sus propias decisiones coherentes de representación.\n\nEl fabricante describe compatibilidad con más de 100 idiomas, incluidos lenguajes de programación, con recuperación multilingüe, entre idiomas y de código. Por ejemplo, una búsqueda en un centro de ayuda puede comparar la pregunta de un usuario con pasajes escritos en varios idiomas y devolver los pasajes originales que coincidan con el tema. Una búsqueda de código puede comparar una descripción en lenguaje natural con funciones relevantes y su documentación. Conserva los encabezados significativos, los términos del dominio y los identificadores al preparar el texto, y mantén cada pasaje representado vinculado a su fuente para que la aplicación pueda mostrar el material coincidente.\n\nQwen3-Embedding-4B tiene en cuenta las instrucciones. Qwen recomienda acompañar cada consulta de una descripción de la tarea en una sola frase, adaptada a la relación de recuperación buscada, y recomienda instrucciones en inglés para los escenarios multilingües. El ejemplo directo coloca Instruct: antes de la descripción de la tarea y Query: antes del texto de la consulta. Los documentos que se van a recuperar se codifican sin esa instrucción de consulta. Una instrucción práctica original puede especificar la búsqueda de pasajes de documentación que expliquen un error notificado o de fragmentos de código fuente que implementen el comportamiento descrito. Esto orienta la representación hacia la pregunta de la aplicación, en lugar de pedir al modelo que redacte una respuesta.\n\nLos ejemplos oficiales codifican los textos de consulta y documento, comparan sus embeddings mediante similitud del coseno y muestran el pooling del estado oculto del último token seguido de normalización. En ese ejemplo de nivel más bajo, la entrada se trunca con un ajuste elegido de 8,192 tokens; la longitud de secuencia documentada del modelo sigue siendo 32K. Para material largo, decide qué pasajes representar y asegúrate de que el truncamiento no descarte silenciosamente la parte que necesita la consulta. Almacena los vectores con referencias de origen estables, compara la consulta preparada con la colección y devuelve los pasajes asociados por orden de similitud.\n\nEl modelo de embeddings de Qwen utiliza un enfoque de doble codificador, mientras que sus modelos de reranking independientes utilizan un codificador cruzado para evaluar pares de consulta y documento. La publicación describe el uso conjunto de esos módulos: los embeddings encuentran candidatos iniciales y un reranker puede refinar después su orden. Qwen3-Embedding-4B proporciona por sí mismo la representación de un texto individual. Su vector no es una puntuación de reranking, una afirmación verificada ni una respuesta generada. Si el flujo final responde a preguntas a partir de material recuperado, los pasajes de origen seleccionados siguen siendo la evidencia que se transmite a esa etapa posterior.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bd577974eaba9c968582013b51e6fc7a67df735a7b0e6d29c71bcae9b7a0fda8", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "qwen/qwen3-embedding-4bQwen3-Embedding-4B representa texto mediante vectores semánticos para recuperación multilingüe, búsqueda de código, clasificación y agrupación. Este modelo 4B admite secuencias de 32K tokens y dimensiones vectoriales personalizadas de 32 a 2,560.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Qwen3-Embedding-4B es la edición 4B de embeddings de texto de la familia de embeddings y reranking de Qwen. Se basa en el modelo fundacional denso Qwen3 y convierte un segmento de texto en una representación numérica de su significado. Qwen señala como áreas de aplicación la recuperación de texto, la recuperación de código, la clasificación, la agrupación y la minería de textos paralelos. Resulta útil cuando una aplicación necesita encontrar pasajes relacionados, agrupar registros similares o comparar texto entre idiomas. La salida del modelo es un vector de embedding, no una respuesta conversacional ni un documento reescrito.
Esta edición exacta tiene una longitud de secuencia de 32K tokens y una dimensión de embedding de hasta 2,560. Admite dimensiones de salida personalizadas de 32 a 2,560 mediante Matryoshka Representation Learning. La longitud del vector elegida afecta a cómo se almacena y compara la representación, por lo que debes mantenerla coherente entre los vectores de consulta y de documento de una misma colección. Qwen3-Embedding-8B tiene un tamaño de modelo distinto y un máximo de 4,096 dimensiones; ni ese tamaño de salida ni la identidad del modelo 8B se transfieren a esta edición 4B. Un índice existente debe conservar sus propias decisiones coherentes de representación.
El fabricante describe compatibilidad con más de 100 idiomas, incluidos lenguajes de programación, con recuperación multilingüe, entre idiomas y de código. Por ejemplo, una búsqueda en un centro de ayuda puede comparar la pregunta de un usuario con pasajes escritos en varios idiomas y devolver los pasajes originales que coincidan con el tema. Una búsqueda de código puede comparar una descripción en lenguaje natural con funciones relevantes y su documentación. Conserva los encabezados significativos, los términos del dominio y los identificadores al preparar el texto, y mantén cada pasaje representado vinculado a su fuente para que la aplicación pueda mostrar el material coincidente.
Qwen3-Embedding-4B tiene en cuenta las instrucciones. Qwen recomienda acompañar cada consulta de una descripción de la tarea en una sola frase, adaptada a la relación de recuperación buscada, y recomienda instrucciones en inglés para los escenarios multilingües. El ejemplo directo coloca Instruct: antes de la descripción de la tarea y Query: antes del texto de la consulta. Los documentos que se van a recuperar se codifican sin esa instrucción de consulta. Una instrucción práctica original puede especificar la búsqueda de pasajes de documentación que expliquen un error notificado o de fragmentos de código fuente que implementen el comportamiento descrito. Esto orienta la representación hacia la pregunta de la aplicación, en lugar de pedir al modelo que redacte una respuesta.
Los ejemplos oficiales codifican los textos de consulta y documento, comparan sus embeddings mediante similitud del coseno y muestran el pooling del estado oculto del último token seguido de normalización. En ese ejemplo de nivel más bajo, la entrada se trunca con un ajuste elegido de 8,192 tokens; la longitud de secuencia documentada del modelo sigue siendo 32K. Para material largo, decide qué pasajes representar y asegúrate de que el truncamiento no descarte silenciosamente la parte que necesita la consulta. Almacena los vectores con referencias de origen estables, compara la consulta preparada con la colección y devuelve los pasajes asociados por orden de similitud.
El modelo de embeddings de Qwen utiliza un enfoque de doble codificador, mientras que sus modelos de reranking independientes utilizan un codificador cruzado para evaluar pares de consulta y documento. La publicación describe el uso conjunto de esos módulos: los embeddings encuentran candidatos iniciales y un reranker puede refinar después su orden. Qwen3-Embedding-4B proporciona por sí mismo la representación de un texto individual. Su vector no es una puntuación de reranking, una afirmación verificada ni una respuesta generada. Si el flujo final responde a preguntas a partir de material recuperado, los pasajes de origen seleccionados siguen siendo la evidencia que se transmite a esa etapa posterior.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-embedding-4b | Predeterminado— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 Condiciones: Lote homogéneo no vacío. Los ID de tokens son números enteros no negativos. Presupuesto de entrada: Máximo: 32,768 · Unidad de texto: bytes UTF8 · Unidad de tokens: elementos de un arreglo de tokens | Predeterminado— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores y límites float | Predeterminadofloat |
Campodimensions | Tipointeger | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— |
Campouser | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: La fuente permite este campo metadata de JSON; la semántica exacta en el sistema de origen depende del modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options rechazado | Predeterminado— |
text_to_embedding
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input |
Parámetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parámetroencoding_format | Contratofloat |
Parámetrodimensions_override | Contratofalse |
Parámetromax_input_budget_units | Contrato32768 |
Parámetromultimodal_objects | Contratofalse |
Parámetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Conserva todos los índices y dimensiones de los vectores.
El nombre de un modelo multimodal no habilita objetos de imagen en esta ruta exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
| Configuración | Tabla de tarifas | Cargo |
|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cargo Entrada · Tokens de entrada $0.00004 / 1K tokens Salida · Tokens de salida $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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-4b", "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-4b',input=["First document","Second document"])\nprint(result)\nfor item in result.data:print(item.index,item.embedding)\njson
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada vector con su índice. La cantidad de vectores debe ser igual a la cantidad de entradas; las dimensiones deben ser consistentes.
No se incorpora ningún endpoint de tareas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra qwen/qwen3-embedding-4b
Usa las rutas de método indicadas arriba.