{ "aboutHtml": "

Qwen3-Embedding-8B on Qwenin 8B-tekstinupotusmalli, joka on rakennettu tiheän Qwen3-perusmallin pohjalta. Se esittää tekstin numeerisina vektoreina keskusteluvastausten tuottamisen sijaan. Qwen luettelee tuetuiksi käyttöalueiksi tekstin haun, koodin haun, luokittelun, ryhmittelyn ja rinnakkaistekstien louhinnan. Hakujärjestelmä voi käyttää näitä vektoreita kysymyksen vertaamiseen olennaisiin katkelmiin; asiakirjakokoelma voi käyttää niitä semanttisesti läheisen aineiston löytämiseen tai tietueiden järjestämiseen ryhmiin.

Juuri tämä malli tukee 32K tokenin sekvenssipituutta ja enintään 4 096 ulottuvuuden upotuksia. Se tukee myös käyttäjän määrittelemiä tulosteulottuvuuksia välillä 32–4 096 Matryoshka Representation Learningin avulla. Siksi vektorin pituus on tietoinen suunnitteluvalinta: lyhyempi vektori muuttaa esityksen kokoa, kun taas koko tuloste säilyttää mallin enimmäisulottuvuuden. Pidä valittu ulottuvuus johdonmukaisena samassa indeksissä verrattaville asiakirjoille ja kyselyille. Qwen3-Embedding-4B on erillinen versio, jolla on eri enimmäisulottuvuus, eikä olemassa olevan 8B-kokoelman vaihdettava vektorilähde.

Valmistaja kuvaa yli 100 kielen tukea, mukaan lukien ohjelmointikielet, sekä monikielistä, kieltenvälistä ja koodin hakua. Käytännön kokoelma voi sisältää asiakirjoja useilla kielillä samalla, kun kyselyt etsivät olennaista merkitystä, tai lähdekoodikatkelmia, jotka indeksoidaan luonnollisen kielen kysymystä varten. Säilytä tärkeät tunnisteet, otsikot ja alakohtaiset termit syötteessä. Pidä koodissa funktion tai moduulin ympäröivä selitys katkelman yhteydessä, kun kyseinen konteksti kuuluu kysymykseen. Tuloste pysyy vektoriesityksenä; vastaavan asiakirjatekstin palauttaminen on hakusovelluksen seuraava vaihe.

Malli huomioi ohjeet. Qwen suosittelee hakutehtävään mukautettua yhden virkkeen ohjetta ja monikielisessä käytössä ohjeen kirjoittamista englanniksi. Sen suora esimerkki muotoilee kyselyn merkinnällä Instruct:, jonka jälkeen tulee tehtävän kuvaus, ja merkinnällä Query:, jonka jälkeen tulee kysymys. Haettavat asiakirjat eivät tarvitse esimerkissä samaa ohje-etuliitettä. Sopiva alkuperäinen tehtävänanto voisi kuvata käyttäjän virhettä selittävien teknisten katkelmien etsimistä ja sijoittaa sitten kyseisen virhekuvauksen kyselyyn. Ohje kuvaa, millaista semanttista suhdetta haun tulisi suosia.

Qwenin esimerkit koodaavat kyselyt ja asiakirjat erikseen, vertaavat niiden vektoreita kosinisamankaltaisuudella ja näyttävät alemman tason menetelmän, joka poimii viimeisen tokenin piilotilan ja normalisoi upotuksen ennen pistetulovertailua. Hyödyllinen työnkulku pitää kunkin katkelman vektorin yhteydessä sen lähdetunnisteeseen, vertaa valmisteltua kyselyä tallennettuihin vektoreihin ja palauttaa vastaavat katkelmat samankaltaisuusjärjestyksessä. Esimerkin 8 192 tokenin katkaisuasetus on valittu syötteen käsittelyasetus, erillään mallin dokumentoidusta 32K-sekvenssipituudesta. Tarkasta, mitä säilytetään, kun valmistelet pitkiä syötteitä.

Upotus- ja uudelleenjärjestelymallit ovat Qwenin julkaisun eri komponentteja. Upotusmalli esittää yhden tekstijakson ja mahdollistaa alustavan samankaltaisuushaun. Erillinen uudelleenjärjestelijä arvioi kyselyn ja ehdokaskatkelmien välistä suhdetta ja voi tarkentaa niiden järjestystä. Qwen kuvaa kahden moduulin yhdistämistä, mutta Qwen3-Embedding-8B itse palauttaa upotuksia uudelleenjärjestelijän relevanssiarvion tai kirjoitetun vastauksen sijaan. Säilytä vastaukseen johtavassa haussa löytynyt lähdeteksti ja siirrä tämä näyttö vastausvaiheeseen. Valitse ja säilytä haettavalle kokoelmalle johdonmukainen malli, ulottuvuus ja kyselyohje.

", "aboutText": "Qwen3-Embedding-8B on Qwenin 8B-tekstinupotusmalli, joka on rakennettu tiheän Qwen3-perusmallin pohjalta. Se esittää tekstin numeerisina vektoreina keskusteluvastausten tuottamisen sijaan. Qwen luettelee tuetuiksi käyttöalueiksi tekstin haun, koodin haun, luokittelun, ryhmittelyn ja rinnakkaistekstien louhinnan. Hakujärjestelmä voi käyttää näitä vektoreita kysymyksen vertaamiseen olennaisiin katkelmiin; asiakirjakokoelma voi käyttää niitä semanttisesti läheisen aineiston löytämiseen tai tietueiden järjestämiseen ryhmiin.\n\nJuuri tämä malli tukee 32K tokenin sekvenssipituutta ja enintään 4 096 ulottuvuuden upotuksia. Se tukee myös käyttäjän määrittelemiä tulosteulottuvuuksia välillä 32–4 096 Matryoshka Representation Learningin avulla. Siksi vektorin pituus on tietoinen suunnitteluvalinta: lyhyempi vektori muuttaa esityksen kokoa, kun taas koko tuloste säilyttää mallin enimmäisulottuvuuden. Pidä valittu ulottuvuus johdonmukaisena samassa indeksissä verrattaville asiakirjoille ja kyselyille. Qwen3-Embedding-4B on erillinen versio, jolla on eri enimmäisulottuvuus, eikä olemassa olevan 8B-kokoelman vaihdettava vektorilähde.\n\nValmistaja kuvaa yli 100 kielen tukea, mukaan lukien ohjelmointikielet, sekä monikielistä, kieltenvälistä ja koodin hakua. Käytännön kokoelma voi sisältää asiakirjoja useilla kielillä samalla, kun kyselyt etsivät olennaista merkitystä, tai lähdekoodikatkelmia, jotka indeksoidaan luonnollisen kielen kysymystä varten. Säilytä tärkeät tunnisteet, otsikot ja alakohtaiset termit syötteessä. Pidä koodissa funktion tai moduulin ympäröivä selitys katkelman yhteydessä, kun kyseinen konteksti kuuluu kysymykseen. Tuloste pysyy vektoriesityksenä; vastaavan asiakirjatekstin palauttaminen on hakusovelluksen seuraava vaihe.\n\nMalli huomioi ohjeet. Qwen suosittelee hakutehtävään mukautettua yhden virkkeen ohjetta ja monikielisessä käytössä ohjeen kirjoittamista englanniksi. Sen suora esimerkki muotoilee kyselyn merkinnällä Instruct:, jonka jälkeen tulee tehtävän kuvaus, ja merkinnällä Query:, jonka jälkeen tulee kysymys. Haettavat asiakirjat eivät tarvitse esimerkissä samaa ohje-etuliitettä. Sopiva alkuperäinen tehtävänanto voisi kuvata käyttäjän virhettä selittävien teknisten katkelmien etsimistä ja sijoittaa sitten kyseisen virhekuvauksen kyselyyn. Ohje kuvaa, millaista semanttista suhdetta haun tulisi suosia.\n\nQwenin esimerkit koodaavat kyselyt ja asiakirjat erikseen, vertaavat niiden vektoreita kosinisamankaltaisuudella ja näyttävät alemman tason menetelmän, joka poimii viimeisen tokenin piilotilan ja normalisoi upotuksen ennen pistetulovertailua. Hyödyllinen työnkulku pitää kunkin katkelman vektorin yhteydessä sen lähdetunnisteeseen, vertaa valmisteltua kyselyä tallennettuihin vektoreihin ja palauttaa vastaavat katkelmat samankaltaisuusjärjestyksessä. Esimerkin 8 192 tokenin katkaisuasetus on valittu syötteen käsittelyasetus, erillään mallin dokumentoidusta 32K-sekvenssipituudesta. Tarkasta, mitä säilytetään, kun valmistelet pitkiä syötteitä.\n\nUpotus- ja uudelleenjärjestelymallit ovat Qwenin julkaisun eri komponentteja. Upotusmalli esittää yhden tekstijakson ja mahdollistaa alustavan samankaltaisuushaun. Erillinen uudelleenjärjestelijä arvioi kyselyn ja ehdokaskatkelmien välistä suhdetta ja voi tarkentaa niiden järjestystä. Qwen kuvaa kahden moduulin yhdistämistä, mutta Qwen3-Embedding-8B itse palauttaa upotuksia uudelleenjärjestelijän relevanssiarvion tai kirjoitetun vastauksen sijaan. Säilytä vastaukseen johtavassa haussa löytynyt lähdeteksti ja siirrä tämä näyttö vastausvaiheeseen. Valitse ja säilytä haettavalle kokoelmalle johdonmukainen malli, ulottuvuus ja kyselyohje.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "15de703641fac17a7acc73df9b1ffccefa7de9d72e9ab1d151fa8382f54383b7", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fi", "methods": [ { "html": "
Al

Qwen: Qwen3 Embedding 8B

Alibaba /qwen/qwen3-embedding-8b

Aloitus

Qwen3-Embedding-8B muuntaa tekstin semanttisiksi vektoreiksi monikieliseen hakuun, koodin hakuun, luokitteluun ja ryhmittelyyn. Se tukee 32K tokenin sekvenssipituutta ja mukautettuja upotusulottuvuuksia välillä 32–4 096.

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-8B on Qwenin 8B-tekstinupotusmalli, joka on rakennettu tiheän Qwen3-perusmallin pohjalta. Se esittää tekstin numeerisina vektoreina keskusteluvastausten tuottamisen sijaan. Qwen luettelee tuetuiksi käyttöalueiksi tekstin haun, koodin haun, luokittelun, ryhmittelyn ja rinnakkaistekstien louhinnan. Hakujärjestelmä voi käyttää näitä vektoreita kysymyksen vertaamiseen olennaisiin katkelmiin; asiakirjakokoelma voi käyttää niitä semanttisesti läheisen aineiston löytämiseen tai tietueiden järjestämiseen ryhmiin.

Juuri tämä malli tukee 32K tokenin sekvenssipituutta ja enintään 4 096 ulottuvuuden upotuksia. Se tukee myös käyttäjän määrittelemiä tulosteulottuvuuksia välillä 32–4 096 Matryoshka Representation Learningin avulla. Siksi vektorin pituus on tietoinen suunnitteluvalinta: lyhyempi vektori muuttaa esityksen kokoa, kun taas koko tuloste säilyttää mallin enimmäisulottuvuuden. Pidä valittu ulottuvuus johdonmukaisena samassa indeksissä verrattaville asiakirjoille ja kyselyille. Qwen3-Embedding-4B on erillinen versio, jolla on eri enimmäisulottuvuus, eikä olemassa olevan 8B-kokoelman vaihdettava vektorilähde.

Valmistaja kuvaa yli 100 kielen tukea, mukaan lukien ohjelmointikielet, sekä monikielistä, kieltenvälistä ja koodin hakua. Käytännön kokoelma voi sisältää asiakirjoja useilla kielillä samalla, kun kyselyt etsivät olennaista merkitystä, tai lähdekoodikatkelmia, jotka indeksoidaan luonnollisen kielen kysymystä varten. Säilytä tärkeät tunnisteet, otsikot ja alakohtaiset termit syötteessä. Pidä koodissa funktion tai moduulin ympäröivä selitys katkelman yhteydessä, kun kyseinen konteksti kuuluu kysymykseen. Tuloste pysyy vektoriesityksenä; vastaavan asiakirjatekstin palauttaminen on hakusovelluksen seuraava vaihe.

Malli huomioi ohjeet. Qwen suosittelee hakutehtävään mukautettua yhden virkkeen ohjetta ja monikielisessä käytössä ohjeen kirjoittamista englanniksi. Sen suora esimerkki muotoilee kyselyn merkinnällä Instruct:, jonka jälkeen tulee tehtävän kuvaus, ja merkinnällä Query:, jonka jälkeen tulee kysymys. Haettavat asiakirjat eivät tarvitse esimerkissä samaa ohje-etuliitettä. Sopiva alkuperäinen tehtävänanto voisi kuvata käyttäjän virhettä selittävien teknisten katkelmien etsimistä ja sijoittaa sitten kyseisen virhekuvauksen kyselyyn. Ohje kuvaa, millaista semanttista suhdetta haun tulisi suosia.

Qwenin esimerkit koodaavat kyselyt ja asiakirjat erikseen, vertaavat niiden vektoreita kosinisamankaltaisuudella ja näyttävät alemman tason menetelmän, joka poimii viimeisen tokenin piilotilan ja normalisoi upotuksen ennen pistetulovertailua. Hyödyllinen työnkulku pitää kunkin katkelman vektorin yhteydessä sen lähdetunnisteeseen, vertaa valmisteltua kyselyä tallennettuihin vektoreihin ja palauttaa vastaavat katkelmat samankaltaisuusjärjestyksessä. Esimerkin 8 192 tokenin katkaisuasetus on valittu syötteen käsittelyasetus, erillään mallin dokumentoidusta 32K-sekvenssipituudesta. Tarkasta, mitä säilytetään, kun valmistelet pitkiä syötteitä.

Upotus- ja uudelleenjärjestelymallit ovat Qwenin julkaisun eri komponentteja. Upotusmalli esittää yhden tekstijakson ja mahdollistaa alustavan samankaltaisuushaun. Erillinen uudelleenjärjestelijä arvioi kyselyn ja ehdokaskatkelmien välistä suhdetta ja voi tarkentaa niiden järjestystä. Qwen kuvaa kahden moduulin yhdistämistä, mutta Qwen3-Embedding-8B itse palauttaa upotuksia uudelleenjärjestelijän relevanssiarvion tai kirjoitetun vastauksen sijaan. Säilytä vastaukseen johtavassa haussa löytynyt lähdeteksti ja siirrä tämä näyttö vastausvaiheeseen. Valitse ja säilytä haettavalle kokoelmalle johdonmukainen malli, ulottuvuus ja kyselyohje.

Saatavilla Ailootissa · syötteet & menetelmät

Ailoot Ultra · Vektoriesitykset POST /v1/embeddings
Syötetyypit
text, token_ids
Tulostyypit
embedding
Konteksti
32 768 tokens
Tulosteen muoto
json
KenttäTyyppiVaatimusArvot & rajatOletus
KenttämodelTyyppistringVaatimusPakollinenArvot & rajat
qwen/qwen3-embedding-8b
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
Vakiohinta Kun nopea tila on valittu
Flex-tila
Vakiohinta Kun flex-tila on valittu
Päättelyn enimmäisteho
Vakiohinta Kun päättelyn enimmäistehoon sovelletaan default-oletussäätöä

Ailoot-hinnat

Hinnat asetusten mukaan

AsetuksetHinnastoVeloitus
AsetuksetTokenien perushinnatHinnastoPerushintaVeloitus
Syöte · Syötetokenit $0.00002 / 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-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\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-8b

Menetelmäpolkujen aliakset

Käytä yllä näytettyjä menetelmäpolkuja.

Liittyvät kutsujan ID:t

qwen/qwen3-embedding-8b

", "method_identity": { "effective_request_model_id": "qwen/qwen3-embedding-8b", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "qwen/qwen3-embedding-8b", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|qwen%2Fqwen3-embedding-8b", "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-8b" ], "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": 32768, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tokenien perushinnat", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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-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\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-8b',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": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.02, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Nopea tila", "value": "Vakiohinta", "when": "Kun nopea tila on valittu" }, { "label": "Flex-tila", "value": "Vakiohinta", "when": "Kun flex-tila on valittu" }, { "label": "Päättelyn enimmäisteho", "value": "Vakiohinta", "when": "Kun päättelyn enimmäistehoon sovelletaan default-oletussäätöä" } ], "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": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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-8b", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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-8b", "nativeProvenance": { "input_facts_canonical_sha256": "b5825222c4b5a32415b8bc5e511054eef50aad3036b10ea11a2e58d33325dfdb", "input_html_sha256": "df30620ea22455e5b21b885241c85fab4c47cdf0a2b6ce427625badc42c611f0", "private_audit_sha256": "f482044879b71ca605b667aad7ade9258c2b18caa4f148e57fb4fe6e364f0bd9", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fi/qwen-qwen3-embedding-8b/", "description": "Qwen3-Embedding-8B muuntaa tekstin semanttisiksi vektoreiksi monikieliseen hakuun, koodin hakuun, luokitteluun ja ryhmittelyyn. Se tukee 32K tokenin sekvenssipituutta ja mukautettuja upotusulottuvuuksia välillä 32–4 096.", "locale": "fi", "md_url": "https://ailoot.ai/models/fi/qwen-qwen3-embedding-8b/index.md", "title": "Qwen: Qwen3 Embedding 8B — Ailoot", "url": "https://ailoot.ai/models/fi/qwen-qwen3-embedding-8b/" }, "rawModel": { "about": "Qwen3-Embedding-8B on Qwenin 8B-tekstinupotusmalli, joka on rakennettu tiheän Qwen3-perusmallin pohjalta. Se esittää tekstin numeerisina vektoreina keskusteluvastausten tuottamisen sijaan. Qwen luettelee tuetuiksi käyttöalueiksi tekstin haun, koodin haun, luokittelun, ryhmittelyn ja rinnakkaistekstien louhinnan. Hakujärjestelmä voi käyttää näitä vektoreita kysymyksen vertaamiseen olennaisiin katkelmiin; asiakirjakokoelma voi käyttää niitä semanttisesti läheisen aineiston löytämiseen tai tietueiden järjestämiseen ryhmiin.\n\nJuuri tämä malli tukee 32K tokenin sekvenssipituutta ja enintään 4 096 ulottuvuuden upotuksia. Se tukee myös käyttäjän määrittelemiä tulosteulottuvuuksia välillä 32–4 096 Matryoshka Representation Learningin avulla. Siksi vektorin pituus on tietoinen suunnitteluvalinta: lyhyempi vektori muuttaa esityksen kokoa, kun taas koko tuloste säilyttää mallin enimmäisulottuvuuden. Pidä valittu ulottuvuus johdonmukaisena samassa indeksissä verrattaville asiakirjoille ja kyselyille. Qwen3-Embedding-4B on erillinen versio, jolla on eri enimmäisulottuvuus, eikä olemassa olevan 8B-kokoelman vaihdettava vektorilähde.\n\nValmistaja kuvaa yli 100 kielen tukea, mukaan lukien ohjelmointikielet, sekä monikielistä, kieltenvälistä ja koodin hakua. Käytännön kokoelma voi sisältää asiakirjoja useilla kielillä samalla, kun kyselyt etsivät olennaista merkitystä, tai lähdekoodikatkelmia, jotka indeksoidaan luonnollisen kielen kysymystä varten. Säilytä tärkeät tunnisteet, otsikot ja alakohtaiset termit syötteessä. Pidä koodissa funktion tai moduulin ympäröivä selitys katkelman yhteydessä, kun kyseinen konteksti kuuluu kysymykseen. Tuloste pysyy vektoriesityksenä; vastaavan asiakirjatekstin palauttaminen on hakusovelluksen seuraava vaihe.\n\nMalli huomioi ohjeet. Qwen suosittelee hakutehtävään mukautettua yhden virkkeen ohjetta ja monikielisessä käytössä ohjeen kirjoittamista englanniksi. Sen suora esimerkki muotoilee kyselyn merkinnällä Instruct:, jonka jälkeen tulee tehtävän kuvaus, ja merkinnällä Query:, jonka jälkeen tulee kysymys. Haettavat asiakirjat eivät tarvitse esimerkissä samaa ohje-etuliitettä. Sopiva alkuperäinen tehtävänanto voisi kuvata käyttäjän virhettä selittävien teknisten katkelmien etsimistä ja sijoittaa sitten kyseisen virhekuvauksen kyselyyn. Ohje kuvaa, millaista semanttista suhdetta haun tulisi suosia.\n\nQwenin esimerkit koodaavat kyselyt ja asiakirjat erikseen, vertaavat niiden vektoreita kosinisamankaltaisuudella ja näyttävät alemman tason menetelmän, joka poimii viimeisen tokenin piilotilan ja normalisoi upotuksen ennen pistetulovertailua. Hyödyllinen työnkulku pitää kunkin katkelman vektorin yhteydessä sen lähdetunnisteeseen, vertaa valmisteltua kyselyä tallennettuihin vektoreihin ja palauttaa vastaavat katkelmat samankaltaisuusjärjestyksessä. Esimerkin 8 192 tokenin katkaisuasetus on valittu syötteen käsittelyasetus, erillään mallin dokumentoidusta 32K-sekvenssipituudesta. Tarkasta, mitä säilytetään, kun valmistelet pitkiä syötteitä.\n\nUpotus- ja uudelleenjärjestelymallit ovat Qwenin julkaisun eri komponentteja. Upotusmalli esittää yhden tekstijakson ja mahdollistaa alustavan samankaltaisuushaun. Erillinen uudelleenjärjestelijä arvioi kyselyn ja ehdokaskatkelmien välistä suhdetta ja voi tarkentaa niiden järjestystä. Qwen kuvaa kahden moduulin yhdistämistä, mutta Qwen3-Embedding-8B itse palauttaa upotuksia uudelleenjärjestelijän relevanssiarvion tai kirjoitetun vastauksen sijaan. Säilytä vastaukseen johtavassa haussa löytynyt lähdeteksti ja siirrä tämä näyttö vastausvaiheeseen. Valitse ja säilytä haettavalle kokoelmalle johdonmukainen malli, ulottuvuus ja kyselyohje.", "alias_of": null, "aliases": [], "author": "Alibaba", "available": null, "canonical_model": "qwen/qwen3-embedding-8b", "capabilities": { "context_length": 32768, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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": 32768, "entity_type": "model", "formats": [ "embeddings" ], "id": "qwen/qwen3-embedding-8b", "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-8b" ], "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": 32768, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tokenien perushinnat", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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-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\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-8b',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": 1, "flex_multiplier": 1, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.02, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": 1, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Nopea tila", "value": "Vakiohinta", "when": "Kun nopea tila on valittu" }, { "label": "Flex-tila", "value": "Vakiohinta", "when": "Kun flex-tila on valittu" }, { "label": "Päättelyn enimmäisteho", "value": "Vakiohinta", "when": "Kun päättelyn enimmäistehoon sovelletaan default-oletussäätöä" } ], "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": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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-8b", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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-8b", "request_model_id": "qwen/qwen3-embedding-8b", "route_label": "Ultra" } ], "name": "Qwen: Qwen3 Embedding 8B", "price": { "in": 0.02, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.02, "sort_out": 0, "varies": false }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Эмбеддинги · Base token rates", "units": [ { "amount": "0.00002000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000002", "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" } ] } ], "public_id": "qwen/qwen3-embedding-8b", "short": "Qwen3-Embedding-8B muuntaa tekstin semanttisiksi vektoreiksi monikieliseen hakuun, koodin hakuun, luokitteluun ja ryhmittelyyn. Se tukee 32K tokenin sekvenssipituutta ja mukautettuja upotusulottuvuuksia välillä 32–4 096." }, "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-8B muuntaa tekstin semanttisiksi vektoreiksi monikieliseen hakuun, koodin hakuun, luokitteluun ja ryhmittelyyn. Se tukee 32K tokenin sekvenssipituutta ja mukautettuja upotusulottuvuuksia välillä 32–4 096.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "e18c3789eb6f2e9d4d82fd00f62bc823c5fb054a7d8a96320ff80c976ef6bdbb", "renderer_sha256": "303a59603e2bc29ba8fda690e95fd32cec68de223d92e26054a88babff801dd7" }, "sourceRevision": "af45ad034c7eb473ed62fa6e69f7a865c23ac770609dfbeeca1932e8fef48f83" }