{ "aboutHtml": "

Qwen3-Embedding-8B est le modèle de plongement textuel 8B de Qwen, construit à partir du modèle de fondation dense Qwen3. Il représente le texte sous forme de vecteurs numériques, plutôt que de générer des réponses conversationnelles. Qwen répertorie la recherche textuelle, la recherche de code, la classification, le regroupement et l’extraction de textes parallèles parmi les domaines d’application pris en charge. Un système de recherche peut utiliser ces vecteurs pour comparer une question à des passages pertinents ; une collection documentaire peut les utiliser pour trouver des matériaux sémantiquement liés ou organiser les enregistrements en groupes.

Le modèle exact prend en charge une longueur de séquence de 32K tokens et des plongements pouvant atteindre 4096 dimensions. Il prend aussi en charge des dimensions de sortie définies par l’utilisateur, de 32 à 4096, grâce à Matryoshka Representation Learning. La longueur vectorielle devient ainsi un choix de conception délibéré : un vecteur plus court modifie la taille de la représentation, tandis que la sortie complète préserve la dimension maximale du modèle. Gardez la dimension choisie cohérente pour les documents et les requêtes comparés dans un même index. Qwen3-Embedding-4B est une édition distincte avec une dimension maximale différente, plutôt qu’une source vectorielle interchangeable pour une collection 8B existante.

Le producteur décrit la prise en charge de plus de 100 langues, y compris des langages de programmation, ainsi que de la recherche multilingue, entre langues et dans le code. Une collection concrète peut contenir des documents en plusieurs langues tandis que les requêtes recherchent le sens pertinent, ou des passages de code source indexés pour une question en langue naturelle. Préservez les identifiants importants, les titres et les termes du domaine dans l’entrée. Pour le code, gardez l’explication entourant la fonction ou le module avec l’extrait lorsque ce contexte fait partie de la question. La sortie reste une représentation vectorielle ; renvoyer le texte documentaire correspondant constitue 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 un usage multilingue, recommande de rédiger cette instruction en anglais. Son exemple direct met une requête en forme avec Instruct: suivi de la description de la tâche, puis Query: suivi de la question. Dans cet exemple, les documents de recherche n’ont pas besoin du même préfixe d’instruction. Un cahier des charges original adapté pourrait décrire la recherche de passages techniques expliquant une erreur de l’utilisateur, puis placer la description précise de l’erreur dans la requête. L’instruction décrit le type de relation sémantique que la recherche doit privilégier.

Les exemples de Qwen encodent séparément les requêtes et les documents, comparent leurs vecteurs par similarité cosinus et montrent une procédure de plus bas niveau qui utilise l’état caché du dernier token comme représentation agrégée et normalise le plongement avant une comparaison par produit scalaire. Un processus utile garde le vecteur de chaque passage attaché à son identifiant source, compare une requête préparée aux vecteurs stockés et renvoie les passages correspondants dans l’ordre de similarité. Le réglage de troncature de 8192 tokens de l’exemple est un réglage choisi de traitement d’entrée, distinct de la longueur de séquence documentée de 32K du modèle. Vérifiez ce qui est conservé lorsque vous préparez des entrées longues.

Les modèles de plongement et de reclassement sont des composants différents de la publication de Qwen. Un modèle de plongement représente un segment de texte et permet une recherche initiale par similarité. Un reclasseur distinct évalue la relation entre une requête et des passages candidats et peut affiner leur ordre. Qwen décrit la combinaison des deux modules, mais Qwen3-Embedding-8B renvoie lui-même des plongements, 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 interrogée.

", "aboutText": "Qwen3-Embedding-8B est le modèle de plongement textuel 8B de Qwen, construit à partir du modèle de fondation dense Qwen3. Il représente le texte sous forme de vecteurs numériques, plutôt que de générer des réponses conversationnelles. Qwen répertorie la recherche textuelle, la recherche de code, la classification, le regroupement et l’extraction de textes parallèles parmi les domaines d’application pris en charge. Un système de recherche peut utiliser ces vecteurs pour comparer une question à des passages pertinents ; une collection documentaire peut les utiliser pour trouver des matériaux sémantiquement liés ou organiser les enregistrements en groupes.\n\nLe modèle exact prend en charge une longueur de séquence de 32K tokens et des plongements pouvant atteindre 4096 dimensions. Il prend aussi en charge des dimensions de sortie définies par l’utilisateur, de 32 à 4096, grâce à Matryoshka Representation Learning. La longueur vectorielle devient ainsi un choix de conception délibéré : un vecteur plus court modifie la taille de la représentation, tandis que la sortie complète préserve la dimension maximale du modèle. Gardez la dimension choisie cohérente pour les documents et les requêtes comparés dans un même index. Qwen3-Embedding-4B est une édition distincte avec une dimension maximale différente, plutôt qu’une source vectorielle interchangeable pour une collection 8B existante.\n\nLe producteur décrit la prise en charge de plus de 100 langues, y compris des langages de programmation, ainsi que de la recherche multilingue, entre langues et dans le code. Une collection concrète peut contenir des documents en plusieurs langues tandis que les requêtes recherchent le sens pertinent, ou des passages de code source indexés pour une question en langue naturelle. Préservez les identifiants importants, les titres et les termes du domaine dans l’entrée. Pour le code, gardez l’explication entourant la fonction ou le module avec l’extrait lorsque ce contexte fait partie de la question. La sortie reste une représentation vectorielle ; renvoyer le texte documentaire correspondant constitue l’étape suivante de l’application de recherche.\n\nLe modèle tient compte des instructions. Qwen recommande une instruction d’une phrase adaptée à la tâche de recherche et, pour un usage multilingue, recommande de rédiger cette instruction en anglais. Son exemple direct met une requête en forme avec Instruct: suivi de la description de la tâche, puis Query: suivi de la question. Dans cet exemple, les documents de recherche n’ont pas besoin du même préfixe d’instruction. Un cahier des charges original adapté pourrait décrire la recherche de passages techniques expliquant une erreur de l’utilisateur, puis placer la description précise de l’erreur dans la requête. L’instruction décrit le type de relation sémantique que la recherche doit privilégier.\n\nLes exemples de Qwen encodent séparément les requêtes et les documents, comparent leurs vecteurs par similarité cosinus et montrent une procédure de plus bas niveau qui utilise l’état caché du dernier token comme représentation agrégée et normalise le plongement avant une comparaison par produit scalaire. Un processus utile garde le vecteur de chaque passage attaché à son identifiant source, compare une requête préparée aux vecteurs stockés et renvoie les passages correspondants dans l’ordre de similarité. Le réglage de troncature de 8192 tokens de l’exemple est un réglage choisi de traitement d’entrée, distinct de la longueur de séquence documentée de 32K du modèle. Vérifiez ce qui est conservé lorsque vous préparez des entrées longues.\n\nLes modèles de plongement et de reclassement sont des composants différents de la publication de Qwen. Un modèle de plongement représente un segment de texte et permet une recherche initiale par similarité. Un reclasseur distinct évalue la relation entre une requête et des passages candidats et peut affiner leur ordre. Qwen décrit la combinaison des deux modules, mais Qwen3-Embedding-8B renvoie lui-même des plongements, 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 interrogée.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "844ec5a44a37c775c41082fa0303bd16e86a6d43c64f142edb92f6ad9b48f3f8", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "
Al

Qwen: Qwen3 Embedding 8B

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 de plongement personnalisées de 32 à 4096.

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-8B est le modèle de plongement textuel 8B de Qwen, construit à partir du modèle de fondation dense Qwen3. Il représente le texte sous forme de vecteurs numériques, plutôt que de générer des réponses conversationnelles. Qwen répertorie la recherche textuelle, la recherche de code, la classification, le regroupement et l’extraction de textes parallèles parmi les domaines d’application pris en charge. Un système de recherche peut utiliser ces vecteurs pour comparer une question à des passages pertinents ; une collection documentaire peut les utiliser pour trouver des matériaux sémantiquement liés ou organiser les enregistrements en groupes.

Le modèle exact prend en charge une longueur de séquence de 32K tokens et des plongements pouvant atteindre 4096 dimensions. Il prend aussi en charge des dimensions de sortie définies par l’utilisateur, de 32 à 4096, grâce à Matryoshka Representation Learning. La longueur vectorielle devient ainsi un choix de conception délibéré : un vecteur plus court modifie la taille de la représentation, tandis que la sortie complète préserve la dimension maximale du modèle. Gardez la dimension choisie cohérente pour les documents et les requêtes comparés dans un même index. Qwen3-Embedding-4B est une édition distincte avec une dimension maximale différente, plutôt qu’une source vectorielle interchangeable pour une collection 8B existante.

Le producteur décrit la prise en charge de plus de 100 langues, y compris des langages de programmation, ainsi que de la recherche multilingue, entre langues et dans le code. Une collection concrète peut contenir des documents en plusieurs langues tandis que les requêtes recherchent le sens pertinent, ou des passages de code source indexés pour une question en langue naturelle. Préservez les identifiants importants, les titres et les termes du domaine dans l’entrée. Pour le code, gardez l’explication entourant la fonction ou le module avec l’extrait lorsque ce contexte fait partie de la question. La sortie reste une représentation vectorielle ; renvoyer le texte documentaire correspondant constitue 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 un usage multilingue, recommande de rédiger cette instruction en anglais. Son exemple direct met une requête en forme avec Instruct: suivi de la description de la tâche, puis Query: suivi de la question. Dans cet exemple, les documents de recherche n’ont pas besoin du même préfixe d’instruction. Un cahier des charges original adapté pourrait décrire la recherche de passages techniques expliquant une erreur de l’utilisateur, puis placer la description précise de l’erreur dans la requête. L’instruction décrit le type de relation sémantique que la recherche doit privilégier.

Les exemples de Qwen encodent séparément les requêtes et les documents, comparent leurs vecteurs par similarité cosinus et montrent une procédure de plus bas niveau qui utilise l’état caché du dernier token comme représentation agrégée et normalise le plongement avant une comparaison par produit scalaire. Un processus utile garde le vecteur de chaque passage attaché à son identifiant source, compare une requête préparée aux vecteurs stockés et renvoie les passages correspondants dans l’ordre de similarité. Le réglage de troncature de 8192 tokens de l’exemple est un réglage choisi de traitement d’entrée, distinct de la longueur de séquence documentée de 32K du modèle. Vérifiez ce qui est conservé lorsque vous préparez des entrées longues.

Les modèles de plongement et de reclassement sont des composants différents de la publication de Qwen. Un modèle de plongement représente un segment de texte et permet une recherche initiale par similarité. Un reclasseur distinct évalue la relation entre une requête et des passages candidats et peut affiner leur ordre. Qwen décrit la combinaison des deux modules, mais Qwen3-Embedding-8B renvoie lui-même des plongements, 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 interrogée.

Disponible dans Ailoot · entrées et méthodes

Ailoot Ultra · Embeddings POST /v1/embeddings
Types d’entrée
text, token_ids
Types de sortie
embedding
Contexte
32 768 tokens
Format de sortie
json
ChampTypeExigenceValeurs et limitesPar défaut
ChampmodelTypestringExigenceObligatoireValeurs et limites
qwen/qwen3-embedding-8b
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
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

ConfigurationBarème tarifaireCoût
ConfigurationTarifs de base des tokensBarème tarifaireTarif de baseCoût
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 →

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-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

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-8b

Alias des chemins de méthode

Utilisez les chemins de méthode indiqués ci-dessus.

ID d’appel associés

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": "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-8b" ], "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": 32768, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarifs de base des tokens", "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": "Mode rapide", "value": "Tarif standard", "when": "Lorsque le mode rapide est sélectionné" }, { "label": "Mode Flex", "value": "Tarif standard", "when": "Lorsque le mode flex est sélectionné" }, { "label": "Effort de raisonnement maximal", "value": "Tarif standard", "when": "Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)" } ], "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": "c1d5d12af29f7dee9ccd15d835f730eb414aa8dcc357f2cfbdf5fba6f5793bc1", "input_html_sha256": "9cf789984736bab4ce27cd34d58729952028e83a1d98c58900831228a3cf62d2", "private_audit_sha256": "cec985ff82a57a217d1e5b3be07e9801122b418912e72d7221c8c7def1d74ad8", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/fr/qwen-qwen3-embedding-8b/", "description": "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 de plongement personnalisées de 32 à 4096.", "locale": "fr", "md_url": "https://ailoot.ai/models/fr/qwen-qwen3-embedding-8b/index.md", "title": "Qwen: Qwen3 Embedding 8B — Ailoot", "url": "https://ailoot.ai/models/fr/qwen-qwen3-embedding-8b/" }, "rawModel": { "about": "Qwen3-Embedding-8B est le modèle de plongement textuel 8B de Qwen, construit à partir du modèle de fondation dense Qwen3. Il représente le texte sous forme de vecteurs numériques, plutôt que de générer des réponses conversationnelles. Qwen répertorie la recherche textuelle, la recherche de code, la classification, le regroupement et l’extraction de textes parallèles parmi les domaines d’application pris en charge. Un système de recherche peut utiliser ces vecteurs pour comparer une question à des passages pertinents ; une collection documentaire peut les utiliser pour trouver des matériaux sémantiquement liés ou organiser les enregistrements en groupes.\n\nLe modèle exact prend en charge une longueur de séquence de 32K tokens et des plongements pouvant atteindre 4096 dimensions. Il prend aussi en charge des dimensions de sortie définies par l’utilisateur, de 32 à 4096, grâce à Matryoshka Representation Learning. La longueur vectorielle devient ainsi un choix de conception délibéré : un vecteur plus court modifie la taille de la représentation, tandis que la sortie complète préserve la dimension maximale du modèle. Gardez la dimension choisie cohérente pour les documents et les requêtes comparés dans un même index. Qwen3-Embedding-4B est une édition distincte avec une dimension maximale différente, plutôt qu’une source vectorielle interchangeable pour une collection 8B existante.\n\nLe producteur décrit la prise en charge de plus de 100 langues, y compris des langages de programmation, ainsi que de la recherche multilingue, entre langues et dans le code. Une collection concrète peut contenir des documents en plusieurs langues tandis que les requêtes recherchent le sens pertinent, ou des passages de code source indexés pour une question en langue naturelle. Préservez les identifiants importants, les titres et les termes du domaine dans l’entrée. Pour le code, gardez l’explication entourant la fonction ou le module avec l’extrait lorsque ce contexte fait partie de la question. La sortie reste une représentation vectorielle ; renvoyer le texte documentaire correspondant constitue l’étape suivante de l’application de recherche.\n\nLe modèle tient compte des instructions. Qwen recommande une instruction d’une phrase adaptée à la tâche de recherche et, pour un usage multilingue, recommande de rédiger cette instruction en anglais. Son exemple direct met une requête en forme avec Instruct: suivi de la description de la tâche, puis Query: suivi de la question. Dans cet exemple, les documents de recherche n’ont pas besoin du même préfixe d’instruction. Un cahier des charges original adapté pourrait décrire la recherche de passages techniques expliquant une erreur de l’utilisateur, puis placer la description précise de l’erreur dans la requête. L’instruction décrit le type de relation sémantique que la recherche doit privilégier.\n\nLes exemples de Qwen encodent séparément les requêtes et les documents, comparent leurs vecteurs par similarité cosinus et montrent une procédure de plus bas niveau qui utilise l’état caché du dernier token comme représentation agrégée et normalise le plongement avant une comparaison par produit scalaire. Un processus utile garde le vecteur de chaque passage attaché à son identifiant source, compare une requête préparée aux vecteurs stockés et renvoie les passages correspondants dans l’ordre de similarité. Le réglage de troncature de 8192 tokens de l’exemple est un réglage choisi de traitement d’entrée, distinct de la longueur de séquence documentée de 32K du modèle. Vérifiez ce qui est conservé lorsque vous préparez des entrées longues.\n\nLes modèles de plongement et de reclassement sont des composants différents de la publication de Qwen. Un modèle de plongement représente un segment de texte et permet une recherche initiale par similarité. Un reclasseur distinct évalue la relation entre une requête et des passages candidats et peut affiner leur ordre. Qwen décrit la combinaison des deux modules, mais Qwen3-Embedding-8B renvoie lui-même des plongements, 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 interrogée.", "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": "La tarification complète de la configuration figure dans les détails." } ], "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": "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-8b" ], "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": 32768, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarifs de base des tokens", "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": "Mode rapide", "value": "Tarif standard", "when": "Lorsque le mode rapide est sélectionné" }, { "label": "Mode Flex", "value": "Tarif standard", "when": "Lorsque le mode flex est sélectionné" }, { "label": "Effort de raisonnement maximal", "value": "Tarif standard", "when": "Lorsque l’effort de raisonnement maximal utilise l’ajustement par défaut (default)" } ], "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 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 de plongement personnalisées de 32 à 4096." }, "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 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 de plongement personnalisées de 32 à 4096.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "0a228b685b5b4436455894e79e8badf1ddc9a2cc184ebe0d18fd3a2fddf47804", "renderer_sha256": "44d2db1deadc475e1793597083716540bae7bbc53606f05f58780fec5f115dd4" }, "sourceRevision": "ecbeb6a646c6eab383e93af2702939bcbf6466f11bb6bed26efb0da55fb3b625" }