{ "aboutHtml": "

Qwen3-Embedding-4B on Qwenin upotus- ja uudelleenjärjestysmallien perheen 4B-versio tekstin upotuksiin. Se perustuu tiheään Qwen3-perusmalliin ja muuntaa tekstijakson merkityksen numeeriseksi esitykseksi. Qwen nimeää käyttökohteiksi tekstihaun, koodihaun, luokittelun, klusteroinnin ja rinnakkaistekstien etsinnän. Siitä on hyötyä, kun sovelluksen on löydettävä toisiinsa liittyviä tekstikohtia, ryhmiteltävä samankaltaisia tietueita tai vertailtava tekstiä eri kielillä. Mallin tulos on upotusvektori, ei keskusteluvastaus tai uudelleenkirjoitettu asiakirja.

Tämän täsmällisen version sekvenssipituus on 32K tokenia ja upotuksen ulottuvuuksien määrä enintään 2 560. Se tukee ulostulon ulottuvuuksien mukauttamista välille 32–2 560 Matryoshka Representation Learning -menetelmällä. Valittu vektorin pituus vaikuttaa esityksen tallentamiseen ja vertailuun, joten pidä se samana saman kokoelman kysely- ja asiakirjavektoreilla. Qwen3-Embedding-8B on erikokoinen malli, jonka enimmäisulottuvuus on 4 096. Tämä ulostulokoko tai 8B-mallin identiteetti ei siirry tähän 4B-versioon. Olemassa olevan indeksin tulee säilyttää omat johdonmukaiset esitysvalintansa.

Valmistaja kuvaa tukea yli 100 kielelle, ohjelmointikielet mukaan lukien, sekä monikielistä, kieltenvälistä ja koodiin kohdistuvaa hakua. Esimerkiksi ohjekeskuksen haku voi vertailla käyttäjän kysymystä useilla kielillä kirjoitettuihin tekstikohtiin ja palauttaa sitten aiheeseen sopivat alkuperäiset kohdat. Koodihaku voi vertailla luonnollisen kielen kuvausta olennaisiin funktioihin ja niiden dokumentaatioon. Säilytä merkitykselliset otsikot, alan termit ja tunnisteet tekstiä valmistellessasi. Pidä jokainen esitetty tekstikohta yhdistettynä lähteeseensä, jotta sovellus voi näyttää vastaavan aineiston.

Qwen3-Embedding-4B ottaa ohjeet huomioon. Qwen suosittelee antamaan kullekin kyselylle yhden virkkeen tehtäväkuvauksen, joka on sovitettu tavoiteltuun hakusuhteeseen, sekä käyttämään englanninkielisiä ohjeita monikielisissä tilanteissa. Suora esimerkki sijoittaa Instruct: ennen tehtäväkuvausta ja Query: ennen kyselytekstiä. Haettavat asiakirjat koodataan ilman kyseistä kyselyohjetta. Käytännöllinen oma ohje voi määritellä haettavaksi ilmoitettua virhettä selittäviä dokumentaatiokohtia tai kuvattua toimintaa toteuttavia lähdekoodikatkelmia. Tämä suuntaa esityksen sovelluksen kysymykseen sen sijaan, että mallia pyydettäisiin kirjoittamaan vastaus.

Viralliset esimerkit koodaavat kysely- ja asiakirjatekstit, vertailevat niiden upotuksia kosinisamankaltaisuudella ja havainnollistavat viimeisen tokenin piilotilan poolausta sekä sitä seuraavaa normalisointia. Tässä alemman tason esimerkissä syöte katkaistaan valittuun 8 192 tokenin asetukseen; mallin dokumentoitu sekvenssipituus pysyy 32K:ssa. Päätä pitkän aineiston kohdalla, mitkä tekstijaksot esitetään, ja varmista, ettei katkaisu poista huomaamatta kyselyn tarvitsemaa osaa. Tallenna vektorit vakaine lähdeviitteineen, vertaa valmisteltua kyselyä kokoelmaan ja palauta siihen liittyvät tekstikohdat samankaltaisuusjärjestyksessä.

Qwenin upotusmalli käyttää dual-encoder-lähestymistapaa, kun taas sen erilliset uudelleenjärjestysmallit käyttävät cross-encoderia kysely–asiakirjaparien arviointiin. Julkaisussa kuvataan näiden moduulien yhteiskäyttöä: upotukset löytävät alustavat ehdokkaat, minkä jälkeen uudelleenjärjestysmalli voi tarkentaa niiden järjestystä. Qwen3-Embedding-4B itse tuottaa yksittäisen tekstin esityksen. Sen vektori ei ole uudelleenjärjestysmallin pistemäärä, vahvistettu väite tai generoitu vastaus. Jos lopullinen työnkulku vastaa kysymyksiin haetun aineiston perusteella, valitut lähdekohdat pysyvät myöhempään vaiheeseen välitettävänä näyttöaineistona.

", "aboutText": "Qwen3-Embedding-4B on Qwenin upotus- ja uudelleenjärjestysmallien perheen 4B-versio tekstin upotuksiin. Se perustuu tiheään Qwen3-perusmalliin ja muuntaa tekstijakson merkityksen numeeriseksi esitykseksi. Qwen nimeää käyttökohteiksi tekstihaun, koodihaun, luokittelun, klusteroinnin ja rinnakkaistekstien etsinnän. Siitä on hyötyä, kun sovelluksen on löydettävä toisiinsa liittyviä tekstikohtia, ryhmiteltävä samankaltaisia tietueita tai vertailtava tekstiä eri kielillä. Mallin tulos on upotusvektori, ei keskusteluvastaus tai uudelleenkirjoitettu asiakirja.\n\nTämän täsmällisen version sekvenssipituus on 32K tokenia ja upotuksen ulottuvuuksien määrä enintään 2 560. Se tukee ulostulon ulottuvuuksien mukauttamista välille 32–2 560 Matryoshka Representation Learning -menetelmällä. Valittu vektorin pituus vaikuttaa esityksen tallentamiseen ja vertailuun, joten pidä se samana saman kokoelman kysely- ja asiakirjavektoreilla. Qwen3-Embedding-8B on erikokoinen malli, jonka enimmäisulottuvuus on 4 096. Tämä ulostulokoko tai 8B-mallin identiteetti ei siirry tähän 4B-versioon. Olemassa olevan indeksin tulee säilyttää omat johdonmukaiset esitysvalintansa.\n\nValmistaja kuvaa tukea yli 100 kielelle, ohjelmointikielet mukaan lukien, sekä monikielistä, kieltenvälistä ja koodiin kohdistuvaa hakua. Esimerkiksi ohjekeskuksen haku voi vertailla käyttäjän kysymystä useilla kielillä kirjoitettuihin tekstikohtiin ja palauttaa sitten aiheeseen sopivat alkuperäiset kohdat. Koodihaku voi vertailla luonnollisen kielen kuvausta olennaisiin funktioihin ja niiden dokumentaatioon. Säilytä merkitykselliset otsikot, alan termit ja tunnisteet tekstiä valmistellessasi. Pidä jokainen esitetty tekstikohta yhdistettynä lähteeseensä, jotta sovellus voi näyttää vastaavan aineiston.\n\nQwen3-Embedding-4B ottaa ohjeet huomioon. Qwen suosittelee antamaan kullekin kyselylle yhden virkkeen tehtäväkuvauksen, joka on sovitettu tavoiteltuun hakusuhteeseen, sekä käyttämään englanninkielisiä ohjeita monikielisissä tilanteissa. Suora esimerkki sijoittaa Instruct: ennen tehtäväkuvausta ja Query: ennen kyselytekstiä. Haettavat asiakirjat koodataan ilman kyseistä kyselyohjetta. Käytännöllinen oma ohje voi määritellä haettavaksi ilmoitettua virhettä selittäviä dokumentaatiokohtia tai kuvattua toimintaa toteuttavia lähdekoodikatkelmia. Tämä suuntaa esityksen sovelluksen kysymykseen sen sijaan, että mallia pyydettäisiin kirjoittamaan vastaus.\n\nViralliset esimerkit koodaavat kysely- ja asiakirjatekstit, vertailevat niiden upotuksia kosinisamankaltaisuudella ja havainnollistavat viimeisen tokenin piilotilan poolausta sekä sitä seuraavaa normalisointia. Tässä alemman tason esimerkissä syöte katkaistaan valittuun 8 192 tokenin asetukseen; mallin dokumentoitu sekvenssipituus pysyy 32K:ssa. Päätä pitkän aineiston kohdalla, mitkä tekstijaksot esitetään, ja varmista, ettei katkaisu poista huomaamatta kyselyn tarvitsemaa osaa. Tallenna vektorit vakaine lähdeviitteineen, vertaa valmisteltua kyselyä kokoelmaan ja palauta siihen liittyvät tekstikohdat samankaltaisuusjärjestyksessä.\n\nQwenin upotusmalli käyttää dual-encoder-lähestymistapaa, kun taas sen erilliset uudelleenjärjestysmallit käyttävät cross-encoderia kysely–asiakirjaparien arviointiin. Julkaisussa kuvataan näiden moduulien yhteiskäyttöä: upotukset löytävät alustavat ehdokkaat, minkä jälkeen uudelleenjärjestysmalli voi tarkentaa niiden järjestystä. Qwen3-Embedding-4B itse tuottaa yksittäisen tekstin esityksen. Sen vektori ei ole uudelleenjärjestysmallin pistemäärä, vahvistettu väite tai generoitu vastaus. Jos lopullinen työnkulku vastaa kysymyksiin haetun aineiston perusteella, valitut lähdekohdat pysyvät myöhempään vaiheeseen välitettävänä näyttöaineistona.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "262c36a45b5bbebbafc6497445a1cf5ee11089ee4d932466f05a8ed033db7b16", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fi", "methods": [ { "html": "
Al

Qwen: Qwen3 Embedding 4B

Alibaba /qwen/qwen3-embedding-4b

Aloitus

Qwen3-Embedding-4B esittää tekstin semanttisina vektoreina monikielistä tiedonhakua, koodihakua, luokittelua ja klusterointia varten. Tämä 4B-malli tukee 32K tokenin sekvenssipituutta ja mukautettavaa vektorin ulottuvuuksien määrää väliltä 32–2 560.

Hyväksytyt syötteet
Teksti · token_ids
Tulokset
embedding
Tietoa mallista

Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.

Qwen3-Embedding-4B on Qwenin upotus- ja uudelleenjärjestysmallien perheen 4B-versio tekstin upotuksiin. Se perustuu tiheään Qwen3-perusmalliin ja muuntaa tekstijakson merkityksen numeeriseksi esitykseksi. Qwen nimeää käyttökohteiksi tekstihaun, koodihaun, luokittelun, klusteroinnin ja rinnakkaistekstien etsinnän. Siitä on hyötyä, kun sovelluksen on löydettävä toisiinsa liittyviä tekstikohtia, ryhmiteltävä samankaltaisia tietueita tai vertailtava tekstiä eri kielillä. Mallin tulos on upotusvektori, ei keskusteluvastaus tai uudelleenkirjoitettu asiakirja.

Tämän täsmällisen version sekvenssipituus on 32K tokenia ja upotuksen ulottuvuuksien määrä enintään 2 560. Se tukee ulostulon ulottuvuuksien mukauttamista välille 32–2 560 Matryoshka Representation Learning -menetelmällä. Valittu vektorin pituus vaikuttaa esityksen tallentamiseen ja vertailuun, joten pidä se samana saman kokoelman kysely- ja asiakirjavektoreilla. Qwen3-Embedding-8B on erikokoinen malli, jonka enimmäisulottuvuus on 4 096. Tämä ulostulokoko tai 8B-mallin identiteetti ei siirry tähän 4B-versioon. Olemassa olevan indeksin tulee säilyttää omat johdonmukaiset esitysvalintansa.

Valmistaja kuvaa tukea yli 100 kielelle, ohjelmointikielet mukaan lukien, sekä monikielistä, kieltenvälistä ja koodiin kohdistuvaa hakua. Esimerkiksi ohjekeskuksen haku voi vertailla käyttäjän kysymystä useilla kielillä kirjoitettuihin tekstikohtiin ja palauttaa sitten aiheeseen sopivat alkuperäiset kohdat. Koodihaku voi vertailla luonnollisen kielen kuvausta olennaisiin funktioihin ja niiden dokumentaatioon. Säilytä merkitykselliset otsikot, alan termit ja tunnisteet tekstiä valmistellessasi. Pidä jokainen esitetty tekstikohta yhdistettynä lähteeseensä, jotta sovellus voi näyttää vastaavan aineiston.

Qwen3-Embedding-4B ottaa ohjeet huomioon. Qwen suosittelee antamaan kullekin kyselylle yhden virkkeen tehtäväkuvauksen, joka on sovitettu tavoiteltuun hakusuhteeseen, sekä käyttämään englanninkielisiä ohjeita monikielisissä tilanteissa. Suora esimerkki sijoittaa Instruct: ennen tehtäväkuvausta ja Query: ennen kyselytekstiä. Haettavat asiakirjat koodataan ilman kyseistä kyselyohjetta. Käytännöllinen oma ohje voi määritellä haettavaksi ilmoitettua virhettä selittäviä dokumentaatiokohtia tai kuvattua toimintaa toteuttavia lähdekoodikatkelmia. Tämä suuntaa esityksen sovelluksen kysymykseen sen sijaan, että mallia pyydettäisiin kirjoittamaan vastaus.

Viralliset esimerkit koodaavat kysely- ja asiakirjatekstit, vertailevat niiden upotuksia kosinisamankaltaisuudella ja havainnollistavat viimeisen tokenin piilotilan poolausta sekä sitä seuraavaa normalisointia. Tässä alemman tason esimerkissä syöte katkaistaan valittuun 8 192 tokenin asetukseen; mallin dokumentoitu sekvenssipituus pysyy 32K:ssa. Päätä pitkän aineiston kohdalla, mitkä tekstijaksot esitetään, ja varmista, ettei katkaisu poista huomaamatta kyselyn tarvitsemaa osaa. Tallenna vektorit vakaine lähdeviitteineen, vertaa valmisteltua kyselyä kokoelmaan ja palauta siihen liittyvät tekstikohdat samankaltaisuusjärjestyksessä.

Qwenin upotusmalli käyttää dual-encoder-lähestymistapaa, kun taas sen erilliset uudelleenjärjestysmallit käyttävät cross-encoderia kysely–asiakirjaparien arviointiin. Julkaisussa kuvataan näiden moduulien yhteiskäyttöä: upotukset löytävät alustavat ehdokkaat, minkä jälkeen uudelleenjärjestysmalli voi tarkentaa niiden järjestystä. Qwen3-Embedding-4B itse tuottaa yksittäisen tekstin esityksen. Sen vektori ei ole uudelleenjärjestysmallin pistemäärä, vahvistettu väite tai generoitu vastaus. Jos lopullinen työnkulku vastaa kysymyksiin haetun aineiston perusteella, valitut lähdekohdat pysyvät myöhempään vaiheeseen välitettävänä näyttöaineistona.

Saatavilla Ailootissa · syötteet & menetelmät

Ailoot Ultra · Vektoriesitykset POST /v1/embeddings
Syötetyypit
text, token_ids
Tulostyypit
embedding
Tulosteen muoto
json
KenttäTyyppiVaatimusArvot & rajatOletus
KenttämodelTyyppistringVaatimusPakollinenArvot & rajat
qwen/qwen3-embedding-4b
Oletus—
KenttäinputTyyppistring|string[]|integer[]|integer[][]VaatimusPakollinenArvot & rajat
Kohteiden vähimmäismäärä: 1
Ehdot: Ei-tyhjä, yhdenmukaisista alkioista koostuva erä. Tokenien ID:t ovat ei-negatiivisia kokonaislukuja.
Syötebudjetti: Enimmäismäärä: 32 768 · Tekstiyksikkö: UTF8-tavut · Tokenyksikkö: Token-taulukon alkiot
Oletus—
Kenttäencoding_formatTyyppistringVaatimusValinnainenArvot & rajat
float
Oletusfloat
KenttädimensionsTyyppiintegerVaatimusEi tuettuArvot & rajat
Vähimmäismäärä: 1
Oletus—
KenttäuserTyyppijson_valueVaatimusValinnainenArvot & rajat
Ehdot: Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.
Oletus—
Kenttäsession_idTyyppijson_valueVaatimusValinnainenArvot & rajat
Ehdot: Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.
Oletus—
KenttätraceTyyppijson_valueVaatimusValinnainenArvot & rajat
Ehdot: Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.
Oletus—
KenttäproviderTyyppiobjectVaatimusValinnainenArvot & rajat
Ehdot: provider.options hylätty
Oletus—
Syöteaineistojen yhdistelmät

text_to_embedding

Menetelmän parametrit ja elinkaari
ParametriSopimus
Parametricontent_typeSopimusapplication/json
ParametrirequiredSopimusmodel, input
Parametriinput_shapesSopimusstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parametriencoding_formatSopimusfloat
Parametridimensions_overrideSopimusfalse
Parametrimax_input_budget_unitsSopimus32768
Parametrimultimodal_objectsSopimusfalse
Parametrimaterial_typesSopimustext, token_ids

Elinkaari: synchronous_json

Säilytä jokaisen vektorin indeksi ja ulottuvuus.

Mallin nimen multimodaalisuus ei tarkoita, että tämä nimenomainen reitti hyväksyisi kuvaolioita.

Hinnoittelu

Hintatiedot eivät lisää pyyntövalintoja. Tuetut parametrit on lueteltu valitulle menetelmälle.

Nopea tila
Ei määritetty Kun nopea tila on valittu
Flex-tila
Ei määritetty Kun flex-tila on valittu
Päättelyn enimmäisteho
Ei määritetty Kun päättelyn enimmäistehoon sovelletaan default-oletussäätöä

Ailoot-hinnat

Hinnat asetusten mukaan

AsetuksetHinnastoVeloitus
AsetuksetTokenien perushinnatHinnastoPerushintaVeloitus
Syöte · Syötetokenit $0.00004 / 1K tokenia
Tuloste · Tulostokenit $0 / 1K tokenia
Syöte · Välimuistin luku — / 1K tokenia
Syöte · Välimuistiin kirjoitus — / 1K tokenia
Syöte · Välimuistiin kirjoitus, 1 tunti — / 1K tokenia

Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →

Esimerkkipyynnöt

Ailoot Ultra · Vektoriesitykset

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\n

Vastaanota ja tallenna tulokset

Ailoot Ultra · Vektoriesitykset

json

Säilytä kaikki valmistuneet tulokset

Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.

Säilytä jokainen vektori indekseineen. Vektorien määrän on vastattava syötteiden määrää; ulottuvuuksien on oltava yhdenmukaiset.

Jos alkuperäinen vastaus on tarkistettava

Uutta upotustehtävien päätepistettä ei oteta käyttöön.

Vastauksen kentät
KenttäTyyppi
KenttäobjectTyyppistring
KenttämodelTyyppistring
Kenttädata[].indexTyyppiinteger
Kenttädata[].embeddingTyyppifinite float[]
KenttäusageTyyppiobject
Virheet ja seuraavat vaiheet
VastausEhtoSeuraava vaihe
Vastaus400 · invalid_request_errorEhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvoSeuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä.

Aliakset

Mallin aliakset

Ailoot Ultra qwen/qwen3-embedding-4b

Menetelmäpolkujen aliakset

Käytä yllä näytettyjä menetelmäpolkuja.

Liittyvät kutsujan ID:t

qwen/qwen3-embedding-4b

", "method_identity": { "effective_request_model_id": "qwen/qwen3-embedding-4b", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "qwen/qwen3-embedding-4b", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|qwen%2Fqwen3-embedding-4b", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Virheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo", "http_status": 400, "recovery": "Korjaa ilmoitetut kentät ennen uutta luontipyyntöä.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Uutta upotustehtävien päätepistettä ei oteta käyttöön." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Säilytä jokainen vektori indekseineen. Vektorien määrän on vastattava syötteiden määrää; ulottuvuuksien on oltava yhdenmukaiset.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "qwen/qwen3-embedding-4b" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32768, "text_unit": "UTF8-tavut", "token_unit": "Token-taulukon alkiot" }, "conditions": "Ei-tyhjä, yhdenmukaisista alkioista koostuva erä. Tokenien ID:t ovat ei-negatiivisia kokonaislukuja.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options hylätty", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Säilytä jokaisen vektorin indeksi ja ulottuvuus.", "Mallin nimen multimodaalisuus ei tarkoita, että tämä nimenomainen reitti hyväksyisi kuvaolioita." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 32768, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tokenien perushinnat", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.04, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "qwen/qwen3-embedding-4b", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } } ], "model_id": "qwen/qwen3-embedding-4b", "nativeProvenance": { "input_facts_canonical_sha256": "b752bdfc67cd2a73859ab28b1d110b499df79ccf09d0288092ad6b1647fdf51d", "input_html_sha256": "845200cdde289dea04e008e1a8e8c61d0be2b3e35069bad85d26c5c18825304b", "private_audit_sha256": "7ae96dc6467feb5132b8ec4a443d0f61419b198cba41611023dfa208c20a35ec", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fi/qwen-qwen3-embedding-4b/", "description": "Qwen3-Embedding-4B esittää tekstin semanttisina vektoreina monikielistä tiedonhakua, koodihakua, luokittelua ja klusterointia varten. Tämä 4B-malli tukee 32K tokenin sekvenssipituutta ja mukautettavaa vektorin ulottuvuuksien määrää väliltä 32–2 560.", "locale": "fi", "md_url": "https://ailoot.ai/models/fi/qwen-qwen3-embedding-4b/index.md", "title": "Qwen: Qwen3 Embedding 4B — Ailoot", "url": "https://ailoot.ai/models/fi/qwen-qwen3-embedding-4b/" }, "rawModel": { "about": "Qwen3-Embedding-4B on Qwenin upotus- ja uudelleenjärjestysmallien perheen 4B-versio tekstin upotuksiin. Se perustuu tiheään Qwen3-perusmalliin ja muuntaa tekstijakson merkityksen numeeriseksi esitykseksi. Qwen nimeää käyttökohteiksi tekstihaun, koodihaun, luokittelun, klusteroinnin ja rinnakkaistekstien etsinnän. Siitä on hyötyä, kun sovelluksen on löydettävä toisiinsa liittyviä tekstikohtia, ryhmiteltävä samankaltaisia tietueita tai vertailtava tekstiä eri kielillä. Mallin tulos on upotusvektori, ei keskusteluvastaus tai uudelleenkirjoitettu asiakirja.\n\nTämän täsmällisen version sekvenssipituus on 32K tokenia ja upotuksen ulottuvuuksien määrä enintään 2 560. Se tukee ulostulon ulottuvuuksien mukauttamista välille 32–2 560 Matryoshka Representation Learning -menetelmällä. Valittu vektorin pituus vaikuttaa esityksen tallentamiseen ja vertailuun, joten pidä se samana saman kokoelman kysely- ja asiakirjavektoreilla. Qwen3-Embedding-8B on erikokoinen malli, jonka enimmäisulottuvuus on 4 096. Tämä ulostulokoko tai 8B-mallin identiteetti ei siirry tähän 4B-versioon. Olemassa olevan indeksin tulee säilyttää omat johdonmukaiset esitysvalintansa.\n\nValmistaja kuvaa tukea yli 100 kielelle, ohjelmointikielet mukaan lukien, sekä monikielistä, kieltenvälistä ja koodiin kohdistuvaa hakua. Esimerkiksi ohjekeskuksen haku voi vertailla käyttäjän kysymystä useilla kielillä kirjoitettuihin tekstikohtiin ja palauttaa sitten aiheeseen sopivat alkuperäiset kohdat. Koodihaku voi vertailla luonnollisen kielen kuvausta olennaisiin funktioihin ja niiden dokumentaatioon. Säilytä merkitykselliset otsikot, alan termit ja tunnisteet tekstiä valmistellessasi. Pidä jokainen esitetty tekstikohta yhdistettynä lähteeseensä, jotta sovellus voi näyttää vastaavan aineiston.\n\nQwen3-Embedding-4B ottaa ohjeet huomioon. Qwen suosittelee antamaan kullekin kyselylle yhden virkkeen tehtäväkuvauksen, joka on sovitettu tavoiteltuun hakusuhteeseen, sekä käyttämään englanninkielisiä ohjeita monikielisissä tilanteissa. Suora esimerkki sijoittaa Instruct: ennen tehtäväkuvausta ja Query: ennen kyselytekstiä. Haettavat asiakirjat koodataan ilman kyseistä kyselyohjetta. Käytännöllinen oma ohje voi määritellä haettavaksi ilmoitettua virhettä selittäviä dokumentaatiokohtia tai kuvattua toimintaa toteuttavia lähdekoodikatkelmia. Tämä suuntaa esityksen sovelluksen kysymykseen sen sijaan, että mallia pyydettäisiin kirjoittamaan vastaus.\n\nViralliset esimerkit koodaavat kysely- ja asiakirjatekstit, vertailevat niiden upotuksia kosinisamankaltaisuudella ja havainnollistavat viimeisen tokenin piilotilan poolausta sekä sitä seuraavaa normalisointia. Tässä alemman tason esimerkissä syöte katkaistaan valittuun 8 192 tokenin asetukseen; mallin dokumentoitu sekvenssipituus pysyy 32K:ssa. Päätä pitkän aineiston kohdalla, mitkä tekstijaksot esitetään, ja varmista, ettei katkaisu poista huomaamatta kyselyn tarvitsemaa osaa. Tallenna vektorit vakaine lähdeviitteineen, vertaa valmisteltua kyselyä kokoelmaan ja palauta siihen liittyvät tekstikohdat samankaltaisuusjärjestyksessä.\n\nQwenin upotusmalli käyttää dual-encoder-lähestymistapaa, kun taas sen erilliset uudelleenjärjestysmallit käyttävät cross-encoderia kysely–asiakirjaparien arviointiin. Julkaisussa kuvataan näiden moduulien yhteiskäyttöä: upotukset löytävät alustavat ehdokkaat, minkä jälkeen uudelleenjärjestysmalli voi tarkentaa niiden järjestystä. Qwen3-Embedding-4B itse tuottaa yksittäisen tekstin esityksen. Sen vektori ei ole uudelleenjärjestysmallin pistemäärä, vahvistettu väite tai generoitu vastaus. Jos lopullinen työnkulku vastaa kysymyksiin haetun aineiston perusteella, valitut lähdekohdat pysyvät myöhempään vaiheeseen välitettävänä näyttöaineistona.", "alias_of": null, "aliases": [], "author": "Alibaba", "available": null, "canonical_model": "qwen/qwen3-embedding-4b", "capabilities": { "context_length": 32768, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" } ], "summary": "Konfiguraation täydet hintatiedot lisätiedoissa." } ], "ctx": null, "entity_type": "model", "formats": [ "embeddings" ], "id": "qwen/qwen3-embedding-4b", "input": [ "text", "token_ids" ], "kind": "embedding", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Keep every vector with its index. Vector count must equal input count; dimensions must be consistent.", "errors": [ { "code": null, "condition": "Virheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo", "http_status": 400, "recovery": "Korjaa ilmoitetut kentät ennen uutta luontipyyntöä.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Uutta upotustehtävien päätepistettä ei oteta käyttöön." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Säilytä jokainen vektori indekseineen. Vektorien määrän on vastattava syötteiden määrää; ulottuvuuksien on oltava yhdenmukaiset.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "qwen/qwen3-embedding-4b" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32768, "text_unit": "UTF8-tavut", "token_unit": "Token-taulukon alkiot" }, "conditions": "Ei-tyhjä, yhdenmukaisista alkioista koostuva erä. Tokenien ID:t ovat ei-negatiivisia kokonaislukuja.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Lähde sallii tämän JSON-metatietokentän; tarkka alkuperäisen palvelun semantiikka on mallikohtainen.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options hylätty", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Säilytä jokaisen vektorin indeksi ja ulottuvuus.", "Mallin nimen multimodaalisuus ei tarkoita, että tämä nimenomainen reitti hyväksyisi kuvaolioita." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 32768, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tokenien perushinnat", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "examples": [ { "code": "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\n", "label": "curl · retained exact creation", "language": "bash" }, { "code": "from 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)\n", "label": "Python SDK · all vectors", "language": "python" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.04, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "token", "image_input_price": null, "image_output_price": null, "per_request_price": null }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "request_model_id": "qwen/qwen3-embedding-4b", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": "0", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": "0", "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] } ], "model_aliases": [ { "canonical_model_id": "qwen/qwen3-embedding-4b", "request_model_id": "qwen/qwen3-embedding-4b", "route_label": "Ultra" } ], "name": "Qwen: Qwen3 Embedding 4B", "price": { "in": 0.04, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.04, "sort_out": 0, "varies": false }, "public_id": "qwen/qwen3-embedding-4b", "short": "Qwen3-Embedding-4B esittää tekstin semanttisina vektoreina monikielistä tiedonhakua, koodihakua, luokittelua ja klusterointia varten. Tämä 4B-malli tukee 32K tokenin sekvenssipituutta ja mukautettavaa vektorin ulottuvuuksien määrää väliltä 32–2 560." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Qwen3-Embedding-4B esittää tekstin semanttisina vektoreina monikielistä tiedonhakua, koodihakua, luokittelua ja klusterointia varten. Tämä 4B-malli tukee 32K tokenin sekvenssipituutta ja mukautettavaa vektorin ulottuvuuksien määrää väliltä 32–2 560.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "f1f4d809aabe4db9d5a8154b4b98dea7e563794937049282dd7555614e517023", "renderer_sha256": "303a59603e2bc29ba8fda690e95fd32cec68de223d92e26054a88babff801dd7" }, "sourceRevision": "1318841a61534163725a821e6bcc21613d6f4e799688a17f3d84be068dd01c3c" }