Qwen3-Embedding-8B es el modelo de embeddings textuales 8B de Qwen, construido a partir del modelo fundacional denso Qwen3. Representa texto como vectores numéricos, en lugar de generar respuestas conversacionales. Qwen enumera recuperación de texto, recuperación de código, clasificación, agrupación y minería de textos bilingües entre las áreas de aplicación compatibles. Un sistema de búsqueda puede utilizar estos vectores para comparar una pregunta con pasajes pertinentes; una colección documental puede utilizarlos para encontrar material semánticamente relacionado u organizar registros en grupos.
El modelo exacto admite una longitud de secuencia de 32K tokens y embeddings de hasta 4096 dimensiones. También admite dimensiones de salida definidas por el usuario de 32 a 4096 mediante Matryoshka Representation Learning. Esto hace que la longitud del vector sea una elección deliberada de diseño: un vector más corto cambia el tamaño de la representación, mientras que la salida completa conserva la dimensionalidad máxima del modelo. Mantén coherente la dimensión elegida para los documentos y consultas comparados en un índice. Qwen3-Embedding-4B es una edición separada con una dimensión máxima distinta, en lugar de una fuente vectorial 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 varios idiomas mientras las consultas buscan el significado pertinente, o pasajes de código fuente indexados para una pregunta en lenguaje natural. Conserva los identificadores, títulos y términos de dominio importantes en la entrada. Para código, mantén la explicación que rodea a la función o módulo junto con el extracto cuando ese contexto 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 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 da formato a una consulta con Instruct: seguido de la descripción de tarea y Query: seguido de la pregunta. Los documentos de recuperación no necesitan ese mismo prefijo de instrucciones en ese ejemplo. Unas instrucciones originales adecuadas podrían describir la búsqueda de pasajes técnicos que expliquen el error de un usuario y después situar la descripción del error particular en la consulta. La instrucción describe qué tipo de relación semántica debe favorecer la búsqueda.
Los ejemplos de Qwen codifican consultas y documentos por separado, comparan sus vectores mediante similaridad del coseno y muestran un procedimiento de nivel inferior que toma el estado oculto del token final mediante pooling y normaliza el embedding antes de una comparación por producto escalar. Un flujo útil mantiene el vector de cada pasaje unido a su identificador de origen, compara una consulta preparada con los vectores almacenados y devuelve los pasajes correspondientes en orden de similaridad. El ajuste de truncamiento de 8192 tokens del ejemplo es un ajuste elegido de procesamiento de entrada, distinto de la longitud de secuencia documentada de 32K del modelo. Revisa lo que se conserva al preparar entradas largas.
Los modelos de embeddings y reordenación son componentes distintos en la publicación de Qwen. Un modelo de embeddings representa un segmento textual y permite una búsqueda inicial de similaridad. Un reranker separado evalúa la relación entre una consulta y pasajes candidatos y puede refinar su orden. Qwen describe la combinación de ambos módulos, pero Qwen3-Embedding-8B devuelve embeddings, en lugar del juicio de relevancia de un reranker o una respuesta escrita. Para recuperación seguida de una respuesta, conserva el texto de origen coincidente y pasa esa evidencia a la etapa de respuesta. Elige y mantén un modelo, dimensión e instrucción de consulta coherentes para la colección en la que se busca.
", "aboutText": "Qwen3-Embedding-8B es el modelo de embeddings textuales 8B de Qwen, construido a partir del modelo fundacional denso Qwen3. Representa texto como vectores numéricos, en lugar de generar respuestas conversacionales. Qwen enumera recuperación de texto, recuperación de código, clasificación, agrupación y minería de textos bilingües entre las áreas de aplicación compatibles. Un sistema de búsqueda puede utilizar estos vectores para comparar una pregunta con pasajes pertinentes; una colección documental puede utilizarlos para encontrar material semánticamente relacionado u organizar registros en grupos.\n\nEl modelo exacto admite una longitud de secuencia de 32K tokens y embeddings de hasta 4096 dimensiones. También admite dimensiones de salida definidas por el usuario de 32 a 4096 mediante Matryoshka Representation Learning. Esto hace que la longitud del vector sea una elección deliberada de diseño: un vector más corto cambia el tamaño de la representación, mientras que la salida completa conserva la dimensionalidad máxima del modelo. Mantén coherente la dimensión elegida para los documentos y consultas comparados en un índice. Qwen3-Embedding-4B es una edición separada con una dimensión máxima distinta, en lugar de una fuente vectorial 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 varios idiomas mientras las consultas buscan el significado pertinente, o pasajes de código fuente indexados para una pregunta en lenguaje natural. Conserva los identificadores, títulos y términos de dominio importantes en la entrada. Para código, mantén la explicación que rodea a la función o módulo junto con el extracto cuando ese contexto 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 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 da formato a una consulta con Instruct: seguido de la descripción de tarea y Query: seguido de la pregunta. Los documentos de recuperación no necesitan ese mismo prefijo de instrucciones en ese ejemplo. Unas instrucciones originales adecuadas podrían describir la búsqueda de pasajes técnicos que expliquen el error de un usuario y después situar la descripción del error particular en la consulta. La instrucción describe qué tipo de relación semántica debe favorecer la búsqueda.\n\nLos ejemplos de Qwen codifican consultas y documentos por separado, comparan sus vectores mediante similaridad del coseno y muestran un procedimiento de nivel inferior que toma el estado oculto del token final mediante pooling y normaliza el embedding antes de una comparación por producto escalar. Un flujo útil mantiene el vector de cada pasaje unido a su identificador de origen, compara una consulta preparada con los vectores almacenados y devuelve los pasajes correspondientes en orden de similaridad. El ajuste de truncamiento de 8192 tokens del ejemplo es un ajuste elegido de procesamiento de entrada, distinto de la longitud de secuencia documentada de 32K del modelo. Revisa lo que se conserva al preparar entradas largas.\n\nLos modelos de embeddings y reordenación son componentes distintos en la publicación de Qwen. Un modelo de embeddings representa un segmento textual y permite una búsqueda inicial de similaridad. Un reranker separado evalúa la relación entre una consulta y pasajes candidatos y puede refinar su orden. Qwen describe la combinación de ambos módulos, pero Qwen3-Embedding-8B devuelve embeddings, en lugar del juicio de relevancia de un reranker o una respuesta escrita. Para recuperación seguida de una respuesta, conserva el texto de origen coincidente y pasa esa evidencia a la etapa de respuesta. Elige y mantén un modelo, dimensión e instrucción de consulta coherentes para la colección en la que se busca.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "01a823aa6e642333ba7ab8d6fb75f3dda564171894142fba6367849c0b9b8847", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "qwen/qwen3-embedding-8bQwen3-Embedding-8B transforma texto en vectores semánticos para búsqueda multilingüe, recuperación de código, clasificación y agrupación. Admite una longitud de secuencia de 32K tokens y dimensiones de embeddings personalizadas de 32 a 4096.
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 textuales 8B de Qwen, construido a partir del modelo fundacional denso Qwen3. Representa texto como vectores numéricos, en lugar de generar respuestas conversacionales. Qwen enumera recuperación de texto, recuperación de código, clasificación, agrupación y minería de textos bilingües entre las áreas de aplicación compatibles. Un sistema de búsqueda puede utilizar estos vectores para comparar una pregunta con pasajes pertinentes; una colección documental puede utilizarlos para encontrar material semánticamente relacionado u organizar registros en grupos.
El modelo exacto admite una longitud de secuencia de 32K tokens y embeddings de hasta 4096 dimensiones. También admite dimensiones de salida definidas por el usuario de 32 a 4096 mediante Matryoshka Representation Learning. Esto hace que la longitud del vector sea una elección deliberada de diseño: un vector más corto cambia el tamaño de la representación, mientras que la salida completa conserva la dimensionalidad máxima del modelo. Mantén coherente la dimensión elegida para los documentos y consultas comparados en un índice. Qwen3-Embedding-4B es una edición separada con una dimensión máxima distinta, en lugar de una fuente vectorial 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 varios idiomas mientras las consultas buscan el significado pertinente, o pasajes de código fuente indexados para una pregunta en lenguaje natural. Conserva los identificadores, títulos y términos de dominio importantes en la entrada. Para código, mantén la explicación que rodea a la función o módulo junto con el extracto cuando ese contexto 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 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 da formato a una consulta con Instruct: seguido de la descripción de tarea y Query: seguido de la pregunta. Los documentos de recuperación no necesitan ese mismo prefijo de instrucciones en ese ejemplo. Unas instrucciones originales adecuadas podrían describir la búsqueda de pasajes técnicos que expliquen el error de un usuario y después situar la descripción del error particular en la consulta. La instrucción describe qué tipo de relación semántica debe favorecer la búsqueda.
Los ejemplos de Qwen codifican consultas y documentos por separado, comparan sus vectores mediante similaridad del coseno y muestran un procedimiento de nivel inferior que toma el estado oculto del token final mediante pooling y normaliza el embedding antes de una comparación por producto escalar. Un flujo útil mantiene el vector de cada pasaje unido a su identificador de origen, compara una consulta preparada con los vectores almacenados y devuelve los pasajes correspondientes en orden de similaridad. El ajuste de truncamiento de 8192 tokens del ejemplo es un ajuste elegido de procesamiento de entrada, distinto de la longitud de secuencia documentada de 32K del modelo. Revisa lo que se conserva al preparar entradas largas.
Los modelos de embeddings y reordenación son componentes distintos en la publicación de Qwen. Un modelo de embeddings representa un segmento textual y permite una búsqueda inicial de similaridad. Un reranker separado evalúa la relación entre una consulta y pasajes candidatos y puede refinar su orden. Qwen describe la combinación de ambos módulos, pero Qwen3-Embedding-8B devuelve embeddings, en lugar del juicio de relevancia de un reranker o una respuesta escrita. Para recuperación seguida de una respuesta, conserva el texto de origen coincidente y pasa esa evidencia a la etapa de respuesta. Elige y mantén un modelo, dimensión e instrucción de consulta coherentes para la colección en la que se busca.
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 array 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: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores y límites Condiciones: Source permite este campo de metadatos JSON; su semántica exacta en el proveedor depende de cada modelo. | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza | 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.
Que el modelo tenga un nombre multimodal no permite enviar objetos de imagen por esta ruta concreta.
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 $0 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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. El número de vectores debe coincidir con el número de entradas; las dimensiones deben ser coherentes.
No se introduce ningún endpoint de trabajos 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.