Source: https://ailoot.ai/models/es/qwen-qwen3-embedding-4b/ Canonical: https://ailoot.ai/models/es/qwen-qwen3-embedding-4b/ Language: es # Qwen: Qwen3 Embedding 4B [Markdown](https://ailoot.ai/models/es/qwen-qwen3-embedding-4b/index.md) · [JSON](https://ailoot.ai/models/es/qwen-qwen3-embedding-4b/facts.json) ## [Qwen: Qwen3 Embedding 4B](https://ailoot.ai/models/es/qwen-qwen3-embedding-4b/) Qwen3-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. - [**Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `qwen/qwen3-embedding-4b`](https://ailoot.ai/models/es/qwen-qwen3-embedding-4b/#method-0) Sobre el modelo 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. **Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` `qwen/qwen3-embedding-4b` [`qwen/qwen3-embedding-4b`](https://ailoot.ai/models/es/#m=qwen%2Fqwen3-embedding-4b&route=Ultra&caller=qwen%2Fqwen3-embedding-4b&fmt=embeddings) Alibaba /`qwen/qwen3-embedding-4b` ### Primeros pasos Qwen3-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. Entradas aceptadas Texto · token\_ids Resultados embedding ### Disponible en Ailoot · entradas y métodos **Ailoot Ultra · Representaciones vectoriales** `POST /v1/embeddings` Tipos de entrada `text`, `token_ids` Tipos de salida `embedding` Formato de salida json | Campo | Tipo | Requisito | Valores y límites | Predeterminado | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObligatorio | Valores y límites qwen/qwen3-embedding-4b | Predeterminado— | | Campo`input` | Tipo`string\|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 array de tokens | Predeterminado— | | Campo`encoding_format` | Tipo`string` | RequisitoOpcional | Valores y límites float | Predeterminadofloat | | Campo`dimensions` | Tipo`integer` | RequisitoNo compatible | Valores y límites Mínimo: 1 | Predeterminado— | | Campo`user` | Tipo`json_value` | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— | | Campo`session_id` | Tipo`json_value` | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— | | Campo`trace` | Tipo`json_value` | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— | | Campo`provider` | Tipo`object` | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza | Predeterminado— | Combinaciones de materiales de entrada **text\_to\_embedding** Parámetros del método y ciclo de vida | Parámetro | Contrato | | --- | --- | | Parámetro`content_type` | Contratoapplication/json | | Parámetro`required` | Contratomodel, input | | Parámetro`input_shapes` | Contratostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parámetro`encoding_format` | Contratofloat | | Parámetro`dimensions_override` | Contratofalse | | Parámetro`max_input_budget_units` | Contrato32768 | | Parámetro`multimodal_objects` | Contratofalse | | Parámetro`material_types` | Contratotext, token\_ids | Ciclo de vida: `synchronous_json` Conserva todos los índices y dimensiones de los vectores. Que el modelo tenga un nombre multimodal no permite enviar objetos de imagen por esta ruta concreta. ### Planes Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado. Modo rápido Sin especificar Cuando se selecciona el modo rápido Modo flex Sin especificar Cuando se selecciona el modo flex Esfuerzo máximo de razonamiento Sin especificar Cuando el esfuerzo máximo de razonamiento utiliza el ajuste predeterminado (default) #### Tarifas de Ailoot #### Precios por configuración | 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 **$0** / 1K tokens Entrada · Lectura de caché **—** / 1K tokens Entrada · Escritura en caché **—** / 1K tokens Entrada · Escritura en caché, 1 hora **—** / 1K tokens | Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. [Cómo funcionan la reserva y la liquidación →](https://ailoot.ai/docs/es/billing/reserve/) ### Solicitudes de ejemplo #### Ailoot Ultra · Representaciones vectoriales curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "qwen/qwen3-embedding-4b", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='qwen/qwen3-embedding-4b',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### Recibir y guardar resultados #### Ailoot Ultra · Representaciones vectoriales json ##### Conserva todos los resultados completados Conserva todas las respuestas, archivos y partes de contenido completos recibidos. Conserva cada vector con su índice. El número de vectores debe coincidir con el número de entradas; las dimensiones deben ser coherentes. ##### Si es necesario revisar la respuesta original No se introduce ningún endpoint de trabajos de embeddings. Campos de respuesta | Campo | Tipo | | --- | --- | | Campo`object` | Tipostring | | Campo`model` | Tipostring | | Campo`data[].index` | Tipointeger | | Campo`data[].embedding` | Tipofinite float\[\] | | Campo`usage` | Tipoobject | Errores y siguientes pasos | 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. | ### Alias #### Alias del modelo **Ailoot Ultra** [`qwen/qwen3-embedding-4b`](https://ailoot.ai/models/es/#m=qwen%2Fqwen3-embedding-4b&route=Ultra&caller=qwen%2Fqwen3-embedding-4b&fmt=embeddings) #### Alias de rutas de métodos Usa las rutas de método indicadas arriba. #### ID de modelo relacionados [`qwen/qwen3-embedding-4b`](https://ailoot.ai/models/es/#m=qwen%2Fqwen3-embedding-4b&route=Ultra&caller=qwen%2Fqwen3-embedding-4b&fmt=embeddings) FAQ · Qwen: Qwen3 Embedding 4B ¿Qué entradas y resultados están disponibles? `POST /v1/embeddings` · `qwen/qwen3-embedding-4b`: `text`, `token_ids` → `embedding` ¿Qué campos utiliza la solicitud? `POST /v1/embeddings` · `qwen/qwen3-embedding-4b`: `model`, `input`, `encoding_format`, `provider` ¿Qué límites se aplican? `POST /v1/embeddings` · `qwen/qwen3-embedding-4b`: `input.budget.maximum`: `32768` (bytes UTF8); `input.min_items`: `1` Conecta Ailoot a Claude Code, OpenCode, Hermes o tu aplicación. ## La empresa y su cartera de proyectos La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes. ## Compra tokens con descuento. Ahorro por suscripción para trabajo habitual. Códigos promocionales: hasta el 50% al comprar tokens. Suscripción Elige un plan con descuento para tus peticiones habituales. Código de hasta el 50% Introduce el código al comprar. El precio se recalcula según la promoción vigente. Gasto en el historial Modelo, tokens e importe quedan guardados por cada petición. [Elegir suscripción](https://ailoot.ai/docs/es/billing/subscriptions/) · [Consultar precios de modelos](https://ailoot.ai/models/es/) ## Conecta la API al producto que vendes. SaaS, aplicaciones y bots bajo la oferta y el acuerdo de licencia Ailoot. Solicita una licencia de reventa para redistribuir el acceso. Aplicación comercial Integra generación de texto, imágenes, vídeo y sonido en funciones de pago de tu servicio. Licencia para revendedores Envía descripción del proyecto y esquema de acceso. Solicita condiciones escritas de uso y reventa. Documentos en la web La oferta, el acuerdo de licencia y la política de datos están disponibles antes de conectar. [Solicitar licencia de reventa](mailto:support@ailoot.ai) · [Oferta y acuerdo de licencia](https://ailoot.ai/legal/offer?lang=es) ## Ailoot · La empresa y su cartera de proyectos Ailoot se apoya en la experiencia operativa acumulada, una amplia base de clientes, un servicio estable y el seguimiento continuo de KPI. La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes. Ailoot aplica esa experiencia operativa al acceso por API a funciones de IA en productos de clientes, agentes, aplicaciones y automatizaciones.