Source: https://ailoot.ai/models/fr-ch/qwen-qwen3-embedding-8b/ Canonical: https://ailoot.ai/models/fr-ch/qwen-qwen3-embedding-8b/ Language: fr-ch # Qwen: Qwen3 Embedding 8B [Markdown](https://ailoot.ai/models/fr-ch/qwen-qwen3-embedding-8b/index.md) · [JSON](https://ailoot.ai/models/fr-ch/qwen-qwen3-embedding-8b/facts.json) ## [Qwen: Qwen3 Embedding 8B](https://ailoot.ai/models/fr-ch/qwen-qwen3-embedding-8b/) Qwen3-Embedding-8B transforme le texte en vecteurs sémantiques pour la recherche multilingue, la recherche de code, la classification et le regroupement. Il prend en charge une longueur de séquence de 32K tokens et des dimensions d’embedding personnalisées de 32 à 4 096. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `qwen/qwen3-embedding-8b`](https://ailoot.ai/models/fr-ch/qwen-qwen3-embedding-8b/#method-0) À propos du modèle Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous. Qwen3-Embedding-8B est le modèle d’embeddings textuels 8B de Qwen, construit à partir du modèle de base dense Qwen3. Il représente le texte sous forme de vecteurs numériques plutôt que de générer des réponses conversationnelles. Qwen cite recherche textuelle, recherche de code, classification, regroupement et exploration de textes parallèles parmi ses applications. Un système de recherche peut utiliser ces vecteurs pour comparer une question à des passages pertinents ; une collection documentaire peut trouver des éléments sémantiquement liés ou organiser des enregistrements en groupes. Le modèle précis prend en charge une longueur de séquence de 32K tokens et des embeddings comportant jusqu’à 4 096 dimensions. Il accepte aussi des dimensions de sortie définies par l’utilisateur, de 32 à 4 096, grâce à Matryoshka Representation Learning. La longueur du vecteur devient un choix délibéré : un vecteur plus court change la taille de la représentation, tandis que la sortie complète conserve la dimension maximale du modèle. Gardez la dimension choisie cohérente pour les documents et requêtes comparés dans un index. Qwen3-Embedding-4B est une édition distincte avec une dimension maximale différente, pas une source de vecteurs interchangeable pour une collection 8B existante. Le fabricant décrit la prise en charge de plus de 100 langues, y compris des langages de programmation, ainsi que la recherche multilingue, interlingue et de code. Une collection pratique peut contenir des documents dans plusieurs langues tandis que les requêtes recherchent le sens pertinent, ou des passages sources de code indexés pour une question en langage naturel. Conservez identifiants, titres et termes de domaine importants dans l’entrée. Pour le code, gardez avec l’extrait l’explication entourant la fonction ou le module lorsque ce contexte fait partie de la question. La sortie reste une représentation vectorielle ; renvoyer le texte documentaire correspondant est l’étape suivante de l’application de recherche. Le modèle tient compte des instructions. Qwen recommande une instruction d’une phrase adaptée à la tâche de recherche et, pour le multilingue, recommande de l’écrire en anglais. Son exemple direct formate la requête avec Instruct: suivi de la description de la tâche et Query: suivi de la question. Les documents à rechercher n’ont pas besoin du même préfixe d’instruction dans cet exemple. Une consigne initiale adaptée peut décrire la recherche de passages techniques expliquant l’erreur d’un utilisateur, puis placer la description précise de cette erreur dans la requête. L’instruction décrit la relation sémantique que la recherche devrait favoriser. Les exemples Qwen encodent séparément requêtes et documents, comparent leurs vecteurs par similarité cosinus et montrent une procédure de bas niveau utilisant l’état caché du dernier token et normalisant l’embedding avant une comparaison par produit scalaire. Un processus utile conserve le vecteur de chaque passage avec son identifiant source, compare une requête préparée aux vecteurs stockés et renvoie les passages correspondants par ordre de similarité. Le réglage de troncature de 8 192 tokens de l’exemple est un choix de traitement d’entrée, distinct de la longueur de séquence 32K documentée. Vérifiez ce qui est conservé lors de la préparation des longues entrées. Les modèles d’embedding et de reclassement sont des composants distincts de la version Qwen. Un modèle d’embedding représente un segment de texte et permet une première recherche par similarité. Un reclasseur distinct évalue la relation entre requête et passages candidats et peut affiner leur ordre. Qwen décrit la combinaison des deux modules, mais Qwen3-Embedding-8B renvoie lui-même des embeddings plutôt que le jugement de pertinence d’un reclasseur ou une réponse écrite. Pour une recherche suivie d’une réponse, conservez le texte source correspondant et transmettez ces éléments à l’étape de réponse. Choisissez et gardez un modèle, une dimension et une instruction de requête cohérents pour la collection recherchée. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `qwen/qwen3-embedding-8b` [`qwen/qwen3-embedding-8b`](https://ailoot.ai/models/fr-ch/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings) Alibaba /`qwen/qwen3-embedding-8b` ### Premiers pas Qwen3-Embedding-8B transforme le texte en vecteurs sémantiques pour la recherche multilingue, la recherche de code, la classification et le regroupement. Il prend en charge une longueur de séquence de 32K tokens et des dimensions d’embedding personnalisées de 32 à 4 096. Entrées acceptées Texte · token\_ids Résultats embedding ### Disponible dans Ailoot · entrées et méthodes **Ailoot Ultra · Embeddings** `POST /v1/embeddings` Entrée `text`, `token_ids` Sortie `embedding` Contexte 32'768 tokens Format de sortie json | Champ | Type | Exigence | Valeurs et limites | Par défaut | | --- | --- | --- | --- | --- | | Champ`model` | Type`string` | ExigenceObligatoire | Valeurs et limites qwen/qwen3-embedding-8b | Par défaut— | | Champ`input` | Type`string\|string[]\|integer[]\|integer[][]` | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 Conditions: Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls. Budget d’entrée : Maximum: 32'768 · Unité de texte: octets UTF8 · Unité de tokens: éléments du tableau de jetons | Par défaut— | | Champ`encoding_format` | Type`string` | ExigenceFacultatif | Valeurs et limites float | Par défautfloat | | Champ`dimensions` | Type`integer` | ExigenceNon pris en charge | Valeurs et limites Minimum: 1 | Par défaut— | | Champ`user` | Type`json_value` | ExigenceFacultatif | Valeurs et limites Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— | | Champ`session_id` | Type`json_value` | ExigenceFacultatif | Valeurs et limites Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— | | Champ`trace` | Type`json_value` | ExigenceFacultatif | Valeurs et limites Conditions: La source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle. | Par défaut— | | Champ`provider` | Type`object` | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est refusé | Par défaut— | Combinaisons d’éléments d’entrée **text\_to\_embedding** Paramètres et cycle de vie de la méthode | Paramètre | Contrat | | --- | --- | | Paramètre`content_type` | Contratapplication/json | | Paramètre`required` | Contratmodel, input | | Paramètre`input_shapes` | Contratstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Paramètre`encoding_format` | Contratfloat | | Paramètre`dimensions_override` | Contratfalse | | Paramètre`max_input_budget_units` | Contrat32768 | | Paramètre`multimodal_objects` | Contratfalse | | Paramètre`material_types` | Contrattext, token\_ids | Cycle de vie : `synchronous_json` Conservez tous les indices et toutes les dimensions des vecteurs. Un nom de modèle multimodal n’autorise pas les objets image sur ce chemin précis. ### Tarifs Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée. Mode rapide Tarif standard Lorsque le mode rapide est sélectionné Mode Flex Tarif standard Lorsque le mode flex est sélectionné Effort de raisonnement maximal Tarif standard Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default) #### Tarifs Ailoot #### Prix par configuration | Configuration | Barème tarifaire | Coût | | --- | --- | --- | | ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée **$0.00002** / 1K tokens Sortie · Tokens en sortie **$0** / 1K tokens Entrée · Lecture du cache **—** / 1K tokens Entrée · Écriture dans le cache **—** / 1K tokens Entrée · Écriture dans le cache, 1 h **—** / 1K tokens | Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. [Fonctionnement de la réservation et du débit →](https://ailoot.ai/docs/fr-ch/billing/reserve/) ### Exemples de requêtes #### Ailoot Ultra · Embeddings curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "qwen/qwen3-embedding-8b", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='qwen/qwen3-embedding-8b',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### Recevoir et enregistrer les résultats #### Ailoot Ultra · Embeddings json ##### Conserver tous les résultats terminés Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité. Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes. ##### Si la réponse d’origine doit être vérifiée Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté. Champs de la réponse | Champ | Type | | --- | --- | | Champ`object` | Typestring | | Champ`model` | Typestring | | Champ`data[].index` | Typeinteger | | Champ`data[].embedding` | Typefinite float\[\] | | Champ`usage` | Typeobject | Erreurs et étapes suivantes | Réponse | Condition | Étape suivante | | --- | --- | --- | | Réponse400 · `invalid_request_error` | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. | ### Alias #### Alias du modèle **Ailoot Ultra** [`qwen/qwen3-embedding-8b`](https://ailoot.ai/models/fr-ch/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings) #### Alias des chemins de méthode Utilisez les chemins de méthode indiqués ci-dessus. #### ID d’appel associés [`qwen/qwen3-embedding-8b`](https://ailoot.ai/models/fr-ch/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings) FAQ · Qwen: Qwen3 Embedding 8B Quelles entrées et quels résultats sont disponibles ? `POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `text`, `token_ids` → `embedding` Quels champs la requête utilise-t-elle ? `POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `model`, `input`, `encoding_format`, `provider` Quelles limites s’appliquent ? `POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `ctx`: `32768`; `input.budget.maximum`: `32768` (octets UTF8); `input.min_items`: `1` Connectez Ailoot à Claude Code, OpenCode, Hermes ou à votre application. ## L’entreprise et son portefeuille de projets L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois. ## Achetez des tokens à prix réduit. Une remise d’abonnement pour le travail régulier. Des codes promo jusqu’à 50% sur l’achat de tokens. Abonnement Choisissez une offre à tarif réduit pour vos requêtes régulières. Code promo jusqu’à 50% Saisissez le code à l’achat. Le prix est recalculé selon la promotion en cours. Dépenses dans l’historique Modèle, tokens et montant sont enregistrés pour chaque requête. [Choisir un abonnement](https://ailoot.ai/docs/fr-ch/billing/subscriptions/) · [Voir les prix des modèles](https://ailoot.ai/models/fr-ch/) ## Connectez l’API au produit que vous vendez. SaaS, applications et bots selon l’offre officielle et le contrat de licence Ailoot. Pour la revente, demandez une licence revendeur. Application commerciale Intégrez la génération de texte, d’images, de vidéo et de son aux fonctions payantes de votre service. Licence revendeur Envoyez la description du projet et le mode d’accès. Demandez des conditions écrites d’utilisation et de revente. Documents sur le site L’offre officielle, le contrat de licence et la politique de traitement des données sont accessibles avant connexion. [Demander une licence revendeur](mailto:support@ailoot.ai) · [Offre officielle et contrat de licence](https://ailoot.ai/legal/offer?lang=fr-ch) ## Ailoot · L’entreprise et son portefeuille de projets Ailoot s’appuie sur une expérience opérationnelle éprouvée, une large clientèle, un service stable et un suivi continu des KPI. L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois. Ailoot met cette expérience opérationnelle au service de l’accès API aux fonctions d’IA dans les produits des clients, leurs agents, applications et automatisations.