{ "aboutHtml": "

Qwen3-Embedding-4B est l’édition 4B d’embedding textuel de la famille de modèles d’embedding et de reclassement de Qwen. Construit sur le modèle de fondation dense Qwen3, il convertit un segment de texte en une représentation numérique de son sens. Qwen cite la recherche de texte, la recherche de code, la classification, le regroupement et l’extraction de textes parallèles parmi les domaines d’application. Il est utile lorsqu’une application doit retrouver des passages liés, regrouper des enregistrements similaires ou comparer des textes entre langues. Le modèle produit un vecteur d’embedding, et non une réponse conversationnelle ou un document réécrit.

Cette édition précise dispose d’une longueur de séquence de 32K jetons et d’une dimension d’embedding allant jusqu’à 2 560. Elle prend en charge des dimensions de sortie personnalisées de 32 à 2 560 grâce à Matryoshka Representation Learning. La longueur vectorielle choisie influe sur le stockage et la comparaison de la représentation : conservez donc la même pour les vecteurs de requêtes et de documents au sein d’une collection. Qwen3-Embedding-8B possède une taille de modèle différente et une dimension maximale de 4 096 ; ni cette taille de sortie ni l’identité du modèle 8B ne s’appliquent à cette édition 4B. Un index existant doit conserver ses propres choix de représentation cohérents.

Le fabricant décrit la prise en charge de plus de 100 langues, y compris des langages de programmation, avec des fonctions de recherche multilingue, interlingue et de code. Par exemple, une recherche dans un centre d’aide peut comparer la question d’un utilisateur à des passages rédigés dans plusieurs langues, puis renvoyer les passages d’origine correspondant au sujet. Une recherche de code peut comparer une description en langage naturel à des fonctions pertinentes et à leur documentation. Lors de la préparation du texte, préservez les titres utiles, les termes du domaine et les identifiants, et conservez le lien entre chaque passage représenté et sa source pour que l’application puisse afficher les éléments correspondants.

Qwen3-Embedding-4B tient compte des instructions. Qwen recommande d’accompagner chaque requête d’une description de la tâche en une phrase, adaptée à la relation de recherche souhaitée, et préconise des instructions en anglais pour les scénarios multilingues. L’exemple direct place Instruct: avant la description de la tâche et Query: avant le texte de la requête. Les documents à rechercher sont encodés sans cette instruction de requête. Une instruction pratique originale peut demander de retrouver des passages de documentation expliquant une erreur signalée ou des extraits de code source mettant en œuvre le comportement décrit. Cela oriente la représentation vers la question de l’application, plutôt que de demander au modèle de rédiger une réponse.

Les exemples officiels encodent les textes des requêtes et des documents, comparent leurs embeddings par similarité cosinus et montrent le pooling de l’état caché du dernier jeton suivi d’une normalisation. Dans cet exemple de plus bas niveau, l’entrée est tronquée selon un réglage choisi de 8 192 jetons ; la longueur de séquence documentée du modèle reste de 32K. Pour des contenus longs, choisissez les passages à représenter et vérifiez que la troncature n’élimine pas silencieusement la partie dont la requête a besoin. Stockez les vecteurs avec des références de source stables, comparez la requête préparée à la collection et renvoyez les passages associés par ordre de similarité.

Le modèle d’embedding de Qwen utilise une approche à double encodeur, tandis que ses modèles de reclassement distincts utilisent un encodeur croisé pour évaluer les paires requête–document. La publication décrit l’utilisation conjointe de ces modules : les embeddings trouvent les premiers candidats, puis un modèle de reclassement peut affiner leur ordre. Qwen3-Embedding-4B fournit lui-même la représentation d’un seul texte. Son vecteur n’est ni un score de reclassement, ni une affirmation vérifiée, ni une réponse générée. Si le processus final répond à des questions à partir des éléments retrouvés, les passages sources sélectionnés restent les preuves transmises à cette étape ultérieure.

", "aboutText": "Qwen3-Embedding-4B est l’édition 4B d’embedding textuel de la famille de modèles d’embedding et de reclassement de Qwen. Construit sur le modèle de fondation dense Qwen3, il convertit un segment de texte en une représentation numérique de son sens. Qwen cite la recherche de texte, la recherche de code, la classification, le regroupement et l’extraction de textes parallèles parmi les domaines d’application. Il est utile lorsqu’une application doit retrouver des passages liés, regrouper des enregistrements similaires ou comparer des textes entre langues. Le modèle produit un vecteur d’embedding, et non une réponse conversationnelle ou un document réécrit.\n\nCette édition précise dispose d’une longueur de séquence de 32K jetons et d’une dimension d’embedding allant jusqu’à 2 560. Elle prend en charge des dimensions de sortie personnalisées de 32 à 2 560 grâce à Matryoshka Representation Learning. La longueur vectorielle choisie influe sur le stockage et la comparaison de la représentation : conservez donc la même pour les vecteurs de requêtes et de documents au sein d’une collection. Qwen3-Embedding-8B possède une taille de modèle différente et une dimension maximale de 4 096 ; ni cette taille de sortie ni l’identité du modèle 8B ne s’appliquent à cette édition 4B. Un index existant doit conserver ses propres choix de représentation cohérents.\n\nLe fabricant décrit la prise en charge de plus de 100 langues, y compris des langages de programmation, avec des fonctions de recherche multilingue, interlingue et de code. Par exemple, une recherche dans un centre d’aide peut comparer la question d’un utilisateur à des passages rédigés dans plusieurs langues, puis renvoyer les passages d’origine correspondant au sujet. Une recherche de code peut comparer une description en langage naturel à des fonctions pertinentes et à leur documentation. Lors de la préparation du texte, préservez les titres utiles, les termes du domaine et les identifiants, et conservez le lien entre chaque passage représenté et sa source pour que l’application puisse afficher les éléments correspondants.\n\nQwen3-Embedding-4B tient compte des instructions. Qwen recommande d’accompagner chaque requête d’une description de la tâche en une phrase, adaptée à la relation de recherche souhaitée, et préconise des instructions en anglais pour les scénarios multilingues. L’exemple direct place Instruct: avant la description de la tâche et Query: avant le texte de la requête. Les documents à rechercher sont encodés sans cette instruction de requête. Une instruction pratique originale peut demander de retrouver des passages de documentation expliquant une erreur signalée ou des extraits de code source mettant en œuvre le comportement décrit. Cela oriente la représentation vers la question de l’application, plutôt que de demander au modèle de rédiger une réponse.\n\nLes exemples officiels encodent les textes des requêtes et des documents, comparent leurs embeddings par similarité cosinus et montrent le pooling de l’état caché du dernier jeton suivi d’une normalisation. Dans cet exemple de plus bas niveau, l’entrée est tronquée selon un réglage choisi de 8 192 jetons ; la longueur de séquence documentée du modèle reste de 32K. Pour des contenus longs, choisissez les passages à représenter et vérifiez que la troncature n’élimine pas silencieusement la partie dont la requête a besoin. Stockez les vecteurs avec des références de source stables, comparez la requête préparée à la collection et renvoyez les passages associés par ordre de similarité.\n\nLe modèle d’embedding de Qwen utilise une approche à double encodeur, tandis que ses modèles de reclassement distincts utilisent un encodeur croisé pour évaluer les paires requête–document. La publication décrit l’utilisation conjointe de ces modules : les embeddings trouvent les premiers candidats, puis un modèle de reclassement peut affiner leur ordre. Qwen3-Embedding-4B fournit lui-même la représentation d’un seul texte. Son vecteur n’est ni un score de reclassement, ni une affirmation vérifiée, ni une réponse générée. Si le processus final répond à des questions à partir des éléments retrouvés, les passages sources sélectionnés restent les preuves transmises à cette étape ultérieure.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "09c9f3882dd75b570356e81ee3f0c8328332ef4090932e862678d476c25de846", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "
Al

Qwen: Qwen3 Embedding 4B

Alibaba /qwen/qwen3-embedding-4b

Premiers pas

Qwen3-Embedding-4B représente le texte sous forme de vecteurs sémantiques pour la recherche multilingue, la recherche de code, la classification et le regroupement. Ce modèle 4B prend en charge des séquences de 32K jetons et des dimensions vectorielles personnalisées de 32 à 2 560.

Entrées acceptées
Texte · token_ids
Résultats
embedding
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-4B est l’édition 4B d’embedding textuel de la famille de modèles d’embedding et de reclassement de Qwen. Construit sur le modèle de fondation dense Qwen3, il convertit un segment de texte en une représentation numérique de son sens. Qwen cite la recherche de texte, la recherche de code, la classification, le regroupement et l’extraction de textes parallèles parmi les domaines d’application. Il est utile lorsqu’une application doit retrouver des passages liés, regrouper des enregistrements similaires ou comparer des textes entre langues. Le modèle produit un vecteur d’embedding, et non une réponse conversationnelle ou un document réécrit.

Cette édition précise dispose d’une longueur de séquence de 32K jetons et d’une dimension d’embedding allant jusqu’à 2 560. Elle prend en charge des dimensions de sortie personnalisées de 32 à 2 560 grâce à Matryoshka Representation Learning. La longueur vectorielle choisie influe sur le stockage et la comparaison de la représentation : conservez donc la même pour les vecteurs de requêtes et de documents au sein d’une collection. Qwen3-Embedding-8B possède une taille de modèle différente et une dimension maximale de 4 096 ; ni cette taille de sortie ni l’identité du modèle 8B ne s’appliquent à cette édition 4B. Un index existant doit conserver ses propres choix de représentation cohérents.

Le fabricant décrit la prise en charge de plus de 100 langues, y compris des langages de programmation, avec des fonctions de recherche multilingue, interlingue et de code. Par exemple, une recherche dans un centre d’aide peut comparer la question d’un utilisateur à des passages rédigés dans plusieurs langues, puis renvoyer les passages d’origine correspondant au sujet. Une recherche de code peut comparer une description en langage naturel à des fonctions pertinentes et à leur documentation. Lors de la préparation du texte, préservez les titres utiles, les termes du domaine et les identifiants, et conservez le lien entre chaque passage représenté et sa source pour que l’application puisse afficher les éléments correspondants.

Qwen3-Embedding-4B tient compte des instructions. Qwen recommande d’accompagner chaque requête d’une description de la tâche en une phrase, adaptée à la relation de recherche souhaitée, et préconise des instructions en anglais pour les scénarios multilingues. L’exemple direct place Instruct: avant la description de la tâche et Query: avant le texte de la requête. Les documents à rechercher sont encodés sans cette instruction de requête. Une instruction pratique originale peut demander de retrouver des passages de documentation expliquant une erreur signalée ou des extraits de code source mettant en œuvre le comportement décrit. Cela oriente la représentation vers la question de l’application, plutôt que de demander au modèle de rédiger une réponse.

Les exemples officiels encodent les textes des requêtes et des documents, comparent leurs embeddings par similarité cosinus et montrent le pooling de l’état caché du dernier jeton suivi d’une normalisation. Dans cet exemple de plus bas niveau, l’entrée est tronquée selon un réglage choisi de 8 192 jetons ; la longueur de séquence documentée du modèle reste de 32K. Pour des contenus longs, choisissez les passages à représenter et vérifiez que la troncature n’élimine pas silencieusement la partie dont la requête a besoin. Stockez les vecteurs avec des références de source stables, comparez la requête préparée à la collection et renvoyez les passages associés par ordre de similarité.

Le modèle d’embedding de Qwen utilise une approche à double encodeur, tandis que ses modèles de reclassement distincts utilisent un encodeur croisé pour évaluer les paires requête–document. La publication décrit l’utilisation conjointe de ces modules : les embeddings trouvent les premiers candidats, puis un modèle de reclassement peut affiner leur ordre. Qwen3-Embedding-4B fournit lui-même la représentation d’un seul texte. Son vecteur n’est ni un score de reclassement, ni une affirmation vérifiée, ni une réponse générée. Si le processus final répond à des questions à partir des éléments retrouvés, les passages sources sélectionnés restent les preuves transmises à cette étape ultérieure.

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Embeddings POST /v1/embeddings
Types d’entrée
text, token_ids
Types de sortie
embedding
Format de sortie
json
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
qwen/qwen3-embedding-4b
Par défaut—
ChampinputTypestring|string[]|integer[]|integer[][]ExigenceObligatoireValeurs 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 tokens
Par défaut—
Champencoding_formatTypestringExigenceFacultatifValeurs et limites
float
Par défautfloat
ChampdimensionsTypeintegerExigenceNon pris en chargeValeurs et limites
Minimum: 1
Par défaut—
ChampuserTypejson_valueExigenceFacultatifValeurs et limites
Conditions: Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
Champsession_idTypejson_valueExigenceFacultatifValeurs et limites
Conditions: Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
ChamptraceTypejson_valueExigenceFacultatifValeurs et limites
Conditions: Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.
Par défaut—
ChampproviderTypeobjectExigenceFacultatifValeurs 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
ParamètreContrat
Paramètrecontent_typeContratapplication/json
ParamètrerequiredContratmodel, input
Paramètreinput_shapesContratstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Paramètreencoding_formatContratfloat
Paramètredimensions_overrideContratfalse
Paramètremax_input_budget_unitsContrat32768
Paramètremultimodal_objectsContratfalse
Paramètrematerial_typesContrattext, 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
Non précisé Lorsque le mode rapide est sélectionné
Mode Flex
Non précisé Lorsque le mode flex est sélectionné
Effort de raisonnement maximal
Non précisé Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)

Tarifs Ailoot

Prix par configuration

ConfigurationBarème tarifaireCoût
ConfigurationTarifs de base des tokensBarème tarifaireTarif de baseCoût
Entrée · Tokens en entrée $0.00004 / 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 →

Exemples de requêtes

Ailoot Ultra · Embeddings

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

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
ChampType
ChampobjectTypestring
ChampmodelTypestring
Champdata[].indexTypeinteger
Champdata[].embeddingTypefinite float[]
ChampusageTypeobject
Erreurs et étapes suivantes
RéponseConditionÉtape suivante
Réponse400 · invalid_request_errorConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non validesÉtape suivanteCorrigez les champs indiqués avant une nouvelle requête de création.

Alias

Alias du modèle

Ailoot Ultra qwen/qwen3-embedding-4b

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

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": "Champs obligatoires, représentation des contenus ou valeur de paramètre non valides", "http_status": 400, "recovery": "Corrigez les champs indiqués avant une nouvelle requête de création.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté." }, "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": "Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes.", "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": "octets UTF8", "token_unit": "éléments du tableau de tokens" }, "conditions": "Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls.", "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": "Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options est refusé", "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": [ "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." ], "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": "Tarifs de base des tokens", "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": "52dabffdd9051783a16279f4f3be9f56bd4c17fd01699318aa33f73ae6f36af9", "input_html_sha256": "acbb182d1cbac67cf5b37e53a6f12beed950066266ebe13988ff37dafd680448", "private_audit_sha256": "be7fc0602ba876c41e4d47ebae308ecc3e6dac0bad3aca81fb945219c3e67aab", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fr/qwen-qwen3-embedding-4b/", "description": "Qwen3-Embedding-4B représente le texte sous forme de vecteurs sémantiques pour la recherche multilingue, la recherche de code, la classification et le regroupement. Ce modèle 4B prend en charge des séquences de 32K jetons et des dimensions vectorielles personnalisées de 32 à 2 560.", "locale": "fr", "md_url": "https://ailoot.ai/models/fr/qwen-qwen3-embedding-4b/index.md", "title": "Qwen: Qwen3 Embedding 4B — Ailoot", "url": "https://ailoot.ai/models/fr/qwen-qwen3-embedding-4b/" }, "rawModel": { "about": "Qwen3-Embedding-4B est l’édition 4B d’embedding textuel de la famille de modèles d’embedding et de reclassement de Qwen. Construit sur le modèle de fondation dense Qwen3, il convertit un segment de texte en une représentation numérique de son sens. Qwen cite la recherche de texte, la recherche de code, la classification, le regroupement et l’extraction de textes parallèles parmi les domaines d’application. Il est utile lorsqu’une application doit retrouver des passages liés, regrouper des enregistrements similaires ou comparer des textes entre langues. Le modèle produit un vecteur d’embedding, et non une réponse conversationnelle ou un document réécrit.\n\nCette édition précise dispose d’une longueur de séquence de 32K jetons et d’une dimension d’embedding allant jusqu’à 2 560. Elle prend en charge des dimensions de sortie personnalisées de 32 à 2 560 grâce à Matryoshka Representation Learning. La longueur vectorielle choisie influe sur le stockage et la comparaison de la représentation : conservez donc la même pour les vecteurs de requêtes et de documents au sein d’une collection. Qwen3-Embedding-8B possède une taille de modèle différente et une dimension maximale de 4 096 ; ni cette taille de sortie ni l’identité du modèle 8B ne s’appliquent à cette édition 4B. Un index existant doit conserver ses propres choix de représentation cohérents.\n\nLe fabricant décrit la prise en charge de plus de 100 langues, y compris des langages de programmation, avec des fonctions de recherche multilingue, interlingue et de code. Par exemple, une recherche dans un centre d’aide peut comparer la question d’un utilisateur à des passages rédigés dans plusieurs langues, puis renvoyer les passages d’origine correspondant au sujet. Une recherche de code peut comparer une description en langage naturel à des fonctions pertinentes et à leur documentation. Lors de la préparation du texte, préservez les titres utiles, les termes du domaine et les identifiants, et conservez le lien entre chaque passage représenté et sa source pour que l’application puisse afficher les éléments correspondants.\n\nQwen3-Embedding-4B tient compte des instructions. Qwen recommande d’accompagner chaque requête d’une description de la tâche en une phrase, adaptée à la relation de recherche souhaitée, et préconise des instructions en anglais pour les scénarios multilingues. L’exemple direct place Instruct: avant la description de la tâche et Query: avant le texte de la requête. Les documents à rechercher sont encodés sans cette instruction de requête. Une instruction pratique originale peut demander de retrouver des passages de documentation expliquant une erreur signalée ou des extraits de code source mettant en œuvre le comportement décrit. Cela oriente la représentation vers la question de l’application, plutôt que de demander au modèle de rédiger une réponse.\n\nLes exemples officiels encodent les textes des requêtes et des documents, comparent leurs embeddings par similarité cosinus et montrent le pooling de l’état caché du dernier jeton suivi d’une normalisation. Dans cet exemple de plus bas niveau, l’entrée est tronquée selon un réglage choisi de 8 192 jetons ; la longueur de séquence documentée du modèle reste de 32K. Pour des contenus longs, choisissez les passages à représenter et vérifiez que la troncature n’élimine pas silencieusement la partie dont la requête a besoin. Stockez les vecteurs avec des références de source stables, comparez la requête préparée à la collection et renvoyez les passages associés par ordre de similarité.\n\nLe modèle d’embedding de Qwen utilise une approche à double encodeur, tandis que ses modèles de reclassement distincts utilisent un encodeur croisé pour évaluer les paires requête–document. La publication décrit l’utilisation conjointe de ces modules : les embeddings trouvent les premiers candidats, puis un modèle de reclassement peut affiner leur ordre. Qwen3-Embedding-4B fournit lui-même la représentation d’un seul texte. Son vecteur n’est ni un score de reclassement, ni une affirmation vérifiée, ni une réponse générée. Si le processus final répond à des questions à partir des éléments retrouvés, les passages sources sélectionnés restent les preuves transmises à cette étape ultérieure.", "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": "La tarification complète de la configuration figure dans les détails." } ], "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": "Champs obligatoires, représentation des contenus ou valeur de paramètre non valides", "http_status": 400, "recovery": "Corrigez les champs indiqués avant une nouvelle requête de création.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Aucun point de terminaison dédié aux tâches d’embedding n’est ajouté." }, "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": "Conservez chaque vecteur avec son indice. Le nombre de vecteurs doit être égal au nombre d’entrées ; les dimensions doivent être cohérentes.", "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": "octets UTF8", "token_unit": "éléments du tableau de tokens" }, "conditions": "Lot homogène non vide. Les identifiants de jetons sont des entiers positifs ou nuls.", "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": "Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Source autorise ce champ de métadonnées JSON ; sa sémantique exacte en amont dépend du modèle.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options est refusé", "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": [ "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." ], "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": "Tarifs de base des tokens", "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 représente le texte sous forme de vecteurs sémantiques pour la recherche multilingue, la recherche de code, la classification et le regroupement. Ce modèle 4B prend en charge des séquences de 32K jetons et des dimensions vectorielles personnalisées de 32 à 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 représente le texte sous forme de vecteurs sémantiques pour la recherche multilingue, la recherche de code, la classification et le regroupement. Ce modèle 4B prend en charge des séquences de 32K jetons et des dimensions vectorielles personnalisées de 32 à 2 560.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "1c64c9e8f08fcaf4bf78222a34ae76f0df4fc4015b53bbb07a97ad6c910fe69e", "renderer_sha256": "44d2db1deadc475e1793597083716540bae7bbc53606f05f58780fec5f115dd4" }, "sourceRevision": "867527fb9e88be23025627f0c9312f39e2fc8cfa82bc22e6ed0dde1b978f58d6" }