Qwen3-Embedding-8B es el modelo de embeddings de texto 8B de Qwen, construido sobre el modelo base denso Qwen3. Representa el texto como vectores numéricos, en lugar de generar respuestas conversacionales. Qwen enumera recuperación de texto, recuperación de código, clasificación, agrupamiento y minería de textos paralelos entre las aplicaciones compatibles. Un sistema de búsqueda puede utilizar estos vectores para comparar una pregunta con pasajes pertinentes; una colección documental puede encontrar material relacionado semánticamente u organizar registros en grupos.
El modelo exacto admite una longitud de secuencia de 32K tokens y embeddings de hasta 4,096 dimensiones. También admite dimensiones de salida definidas por el usuario de 32 a 4,096 mediante Matryoshka Representation Learning. Esto convierte la longitud del vector en una decisión de diseño deliberada: un vector más corto cambia el tamaño de la representación y la salida completa conserva la dimensionalidad máxima del modelo. Mantén la dimensión elegida consistente para los documentos y las consultas comparados en un índice. Qwen3-Embedding-4B es una edición independiente con otra dimensión máxima, no una fuente de vectores intercambiable para una colección 8B existente.
El productor describe compatibilidad con más de 100 idiomas, incluidos lenguajes de programación, y recuperación multilingüe, entre idiomas y de código. Una colección práctica puede contener documentos en varias lenguas mientras las consultas buscan el significado pertinente, o pasajes de código de origen indexados para una pregunta en lenguaje natural. Conserva identificadores, títulos y términos del dominio importantes en la entrada. Para código, mantén la explicación circundante de la función o módulo con el fragmento cuando forme parte de la pregunta. La salida sigue siendo una representación vectorial; devolver el texto documental coincidente es el siguiente paso de la aplicación de búsqueda.
El modelo tiene en cuenta las instrucciones. Qwen recomienda una instrucción de una frase adaptada a la tarea de recuperación y, para uso multilingüe, recomienda escribirla en inglés. Su ejemplo directo formatea una consulta con Instruct: seguido de la descripción de la tarea y Query: seguido de la pregunta. Los documentos de recuperación no necesitan el mismo prefijo de instrucción en ese ejemplo. Un encargo original adecuado puede describir la búsqueda de pasajes técnicos que expliquen un error del usuario y colocar después la descripción concreta del error en la consulta. La instrucción describe el tipo de relación semántica que debería favorecer la búsqueda.
Los ejemplos de Qwen codifican consultas y documentos por separado, comparan sus vectores mediante similitud coseno y muestran un procedimiento de menor nivel que toma el estado oculto del último token y normaliza el embedding antes de comparar mediante producto escalar. Un flujo útil conserva el vector de cada pasaje asociado a su identificador de origen, compara una consulta preparada con los vectores almacenados y devuelve los pasajes correspondientes en orden de similitud. El ajuste de truncamiento de 8,192 tokens del ejemplo es una elección de procesamiento de entrada, distinta de la longitud de secuencia 32K documentada del modelo. Revisa qué se conserva al preparar entradas largas.
Los modelos de embeddings y reordenación son componentes distintos de la versión de Qwen. Un modelo de embeddings representa un segmento textual y permite una búsqueda inicial por similitud. Un modelo de reordenación independiente evalúa la relación entre una consulta y los pasajes candidatos y puede refinar su orden. Qwen describe combinar ambos módulos, pero Qwen3-Embedding-8B devuelve embeddings, no el juicio de relevancia de un modelo de reordenación ni una respuesta escrita. Para recuperación seguida de respuesta, conserva el texto de origen coincidente y aporta esa evidencia a la etapa de respuesta. Elige y mantén modelo, dimensión e instrucción de consulta consistentes para la colección buscada.
", "aboutText": "Qwen3-Embedding-8B es el modelo de embeddings de texto 8B de Qwen, construido sobre el modelo base denso Qwen3. Representa el texto como vectores numéricos, en lugar de generar respuestas conversacionales. Qwen enumera recuperación de texto, recuperación de código, clasificación, agrupamiento y minería de textos paralelos entre las aplicaciones compatibles. Un sistema de búsqueda puede utilizar estos vectores para comparar una pregunta con pasajes pertinentes; una colección documental puede encontrar material relacionado semánticamente u organizar registros en grupos.\n\nEl modelo exacto admite una longitud de secuencia de 32K tokens y embeddings de hasta 4,096 dimensiones. También admite dimensiones de salida definidas por el usuario de 32 a 4,096 mediante Matryoshka Representation Learning. Esto convierte la longitud del vector en una decisión de diseño deliberada: un vector más corto cambia el tamaño de la representación y la salida completa conserva la dimensionalidad máxima del modelo. Mantén la dimensión elegida consistente para los documentos y las consultas comparados en un índice. Qwen3-Embedding-4B es una edición independiente con otra dimensión máxima, no una fuente de vectores intercambiable para una colección 8B existente.\n\nEl productor describe compatibilidad con más de 100 idiomas, incluidos lenguajes de programación, y recuperación multilingüe, entre idiomas y de código. Una colección práctica puede contener documentos en varias lenguas mientras las consultas buscan el significado pertinente, o pasajes de código de origen indexados para una pregunta en lenguaje natural. Conserva identificadores, títulos y términos del dominio importantes en la entrada. Para código, mantén la explicación circundante de la función o módulo con el fragmento cuando forme parte de la pregunta. La salida sigue siendo una representación vectorial; devolver el texto documental coincidente es el siguiente paso de la aplicación de búsqueda.\n\nEl modelo tiene en cuenta las instrucciones. Qwen recomienda una instrucción de una frase adaptada a la tarea de recuperación y, para uso multilingüe, recomienda escribirla en inglés. Su ejemplo directo formatea una consulta con Instruct: seguido de la descripción de la tarea y Query: seguido de la pregunta. Los documentos de recuperación no necesitan el mismo prefijo de instrucción en ese ejemplo. Un encargo original adecuado puede describir la búsqueda de pasajes técnicos que expliquen un error del usuario y colocar después la descripción concreta del error en la consulta. La instrucción describe el tipo de relación semántica que debería favorecer la búsqueda.\n\nLos ejemplos de Qwen codifican consultas y documentos por separado, comparan sus vectores mediante similitud coseno y muestran un procedimiento de menor nivel que toma el estado oculto del último token y normaliza el embedding antes de comparar mediante producto escalar. Un flujo útil conserva el vector de cada pasaje asociado a su identificador de origen, compara una consulta preparada con los vectores almacenados y devuelve los pasajes correspondientes en orden de similitud. El ajuste de truncamiento de 8,192 tokens del ejemplo es una elección de procesamiento de entrada, distinta de la longitud de secuencia 32K documentada del modelo. Revisa qué se conserva al preparar entradas largas.\n\nLos modelos de embeddings y reordenación son componentes distintos de la versión de Qwen. Un modelo de embeddings representa un segmento textual y permite una búsqueda inicial por similitud. Un modelo de reordenación independiente evalúa la relación entre una consulta y los pasajes candidatos y puede refinar su orden. Qwen describe combinar ambos módulos, pero Qwen3-Embedding-8B devuelve embeddings, no el juicio de relevancia de un modelo de reordenación ni una respuesta escrita. Para recuperación seguida de respuesta, conserva el texto de origen coincidente y aporta esa evidencia a la etapa de respuesta. Elige y mantén modelo, dimensión e instrucción de consulta consistentes para la colección buscada.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "85bf583d784653d0c61c26c01ff0e84836fd30516ff205a0c5deabb9b55c404d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "qwen/qwen3-embedding-8bQwen3-Embedding-8B transforma texto en vectores semánticos para búsqueda multilingüe, recuperación de código, clasificación y agrupamiento. Admite una longitud de secuencia de 32K tokens y dimensiones de embeddings personalizadas de 32 a 4,096.
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-8B es el modelo de embeddings de texto 8B de Qwen, construido sobre el modelo base denso Qwen3. Representa el texto como vectores numéricos, en lugar de generar respuestas conversacionales. Qwen enumera recuperación de texto, recuperación de código, clasificación, agrupamiento y minería de textos paralelos entre las aplicaciones compatibles. Un sistema de búsqueda puede utilizar estos vectores para comparar una pregunta con pasajes pertinentes; una colección documental puede encontrar material relacionado semánticamente u organizar registros en grupos.
El modelo exacto admite una longitud de secuencia de 32K tokens y embeddings de hasta 4,096 dimensiones. También admite dimensiones de salida definidas por el usuario de 32 a 4,096 mediante Matryoshka Representation Learning. Esto convierte la longitud del vector en una decisión de diseño deliberada: un vector más corto cambia el tamaño de la representación y la salida completa conserva la dimensionalidad máxima del modelo. Mantén la dimensión elegida consistente para los documentos y las consultas comparados en un índice. Qwen3-Embedding-4B es una edición independiente con otra dimensión máxima, no una fuente de vectores intercambiable para una colección 8B existente.
El productor describe compatibilidad con más de 100 idiomas, incluidos lenguajes de programación, y recuperación multilingüe, entre idiomas y de código. Una colección práctica puede contener documentos en varias lenguas mientras las consultas buscan el significado pertinente, o pasajes de código de origen indexados para una pregunta en lenguaje natural. Conserva identificadores, títulos y términos del dominio importantes en la entrada. Para código, mantén la explicación circundante de la función o módulo con el fragmento cuando forme parte de la pregunta. La salida sigue siendo una representación vectorial; devolver el texto documental coincidente es el siguiente paso de la aplicación de búsqueda.
El modelo tiene en cuenta las instrucciones. Qwen recomienda una instrucción de una frase adaptada a la tarea de recuperación y, para uso multilingüe, recomienda escribirla en inglés. Su ejemplo directo formatea una consulta con Instruct: seguido de la descripción de la tarea y Query: seguido de la pregunta. Los documentos de recuperación no necesitan el mismo prefijo de instrucción en ese ejemplo. Un encargo original adecuado puede describir la búsqueda de pasajes técnicos que expliquen un error del usuario y colocar después la descripción concreta del error en la consulta. La instrucción describe el tipo de relación semántica que debería favorecer la búsqueda.
Los ejemplos de Qwen codifican consultas y documentos por separado, comparan sus vectores mediante similitud coseno y muestran un procedimiento de menor nivel que toma el estado oculto del último token y normaliza el embedding antes de comparar mediante producto escalar. Un flujo útil conserva el vector de cada pasaje asociado a su identificador de origen, compara una consulta preparada con los vectores almacenados y devuelve los pasajes correspondientes en orden de similitud. El ajuste de truncamiento de 8,192 tokens del ejemplo es una elección de procesamiento de entrada, distinta de la longitud de secuencia 32K documentada del modelo. Revisa qué se conserva al preparar entradas largas.
Los modelos de embeddings y reordenación son componentes distintos de la versión de Qwen. Un modelo de embeddings representa un segmento textual y permite una búsqueda inicial por similitud. Un modelo de reordenación independiente evalúa la relación entre una consulta y los pasajes candidatos y puede refinar su orden. Qwen describe combinar ambos módulos, pero Qwen3-Embedding-8B devuelve embeddings, no el juicio de relevancia de un modelo de reordenación ni una respuesta escrita. Para recuperación seguida de respuesta, conserva el texto de origen coincidente y aporta esa evidencia a la etapa de respuesta. Elige y mantén modelo, dimensión e instrucción de consulta consistentes para la colección buscada.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites qwen/qwen3-embedding-8b | 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 $0.00002 / 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-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
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-8b
Usa las rutas de método indicadas arriba.