Source: https://ailoot.ai/models/hu/qwen-qwen3-embedding-8b/ Canonical: https://ailoot.ai/models/hu/qwen-qwen3-embedding-8b/ Language: hu # Qwen: Qwen3 Embedding 8B [Markdown](https://ailoot.ai/models/hu/qwen-qwen3-embedding-8b/index.md) · [JSON](https://ailoot.ai/models/hu/qwen-qwen3-embedding-8b/facts.json) ## [Qwen: Qwen3 Embedding 8B](https://ailoot.ai/models/hu/qwen-qwen3-embedding-8b/) A Qwen3-Embedding-8B szöveget alakít szemantikai vektorokká többnyelvű kereséshez, kódkereséshez, osztályozáshoz és klaszterezéshez. 32K tokenes szekvenciahosszt és 32-től 4096-ig terjedő egyéni beágyazási dimenziókat támogat. - [**Ailoot Ultra · Beágyazások** `POST /v1/embeddings` `qwen/qwen3-embedding-8b`](https://ailoot.ai/models/hu/qwen-qwen3-embedding-8b/#method-0) A modellről Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók. A Qwen3-Embedding-8B a Qwen 8B méretű szövegbeágyazási modellje, amely a sűrű Qwen3 alapmodellre épül. Szöveget reprezentál numerikus vektorokként, ahelyett, hogy társalgási válaszokat generálna. A Qwen a támogatott alkalmazási területek között szövegkeresést, kódkeresést, osztályozást, klaszterezést és párhuzamos szövegek bányászatát sorolja fel. Egy keresőrendszer ezekkel a vektorokkal hasonlíthat össze egy kérdést releváns szövegrészletekkel; egy dokumentumgyűjtemény szemantikailag kapcsolódó anyagokat kereshet vagy csoportokba rendezheti a rekordokat. Ez a konkrét modell 32K tokenes szekvenciahosszt és legfeljebb 4096 dimenziós beágyazásokat támogat. A Matryoshka Representation Learning révén 32-től 4096-ig terjedő, felhasználó által meghatározott kimeneti dimenziókat is támogat. Így a vektorhossz tudatos tervezési döntés: a rövidebb vektor a reprezentáció méretét változtatja meg, míg a teljes kimenet megőrzi a modell maximális dimenziószámát. Egy indexben az összehasonlított dokumentumoknál és lekérdezéseknél következetesen ugyanazt a kiválasztott dimenziót használja. A Qwen3-Embedding-4B külön kiadás, eltérő maximális dimenzióval, nem pedig egy meglévő 8B gyűjtemény felcserélhető vektorforrása. A gyártó több mint 100 nyelv támogatását írja le, beleértve a programozási nyelveket is, valamint többnyelvű, nyelvek közötti és kódkeresést. Egy gyakorlati gyűjtemény több nyelven tartalmazhat dokumentumokat, miközben a lekérdezések a releváns jelentést keresik, vagy természetes nyelvű kérdéshez indexelt forráskódrészleteket tartalmazhat. A bemenetben őrizze meg a fontos azonosítókat, címeket és szakterületi kifejezéseket. Kódnál a részlet mellett tartsa meg a függvényt vagy modult körülvevő magyarázatot, ha ez a kontextus a kérdés része. A kimenet továbbra is vektorreprezentáció; az egyező dokumentumszöveg visszaadása a keresőalkalmazás következő lépése. A modell figyelembe veszi az utasításokat. A Qwen a keresési feladathoz igazított, egymondatos utasítást javasol, többnyelvű használatnál pedig azt ajánlja, hogy ezt az utasítást angolul írják meg. Közvetlen példája a lekérdezést Instruct: előtaggal, utána a feladatleírással, majd Query: előtaggal és a kérdéssel formázza. Ebben a példában a keresendő dokumentumoknak nincs szükségük ugyanarra az utasításelőtagra. Egy megfelelő saját feladatleírás szólhat a felhasználó hibáját magyarázó műszaki részletek megtalálásáról, majd a konkrét hibaleírás a lekérdezésbe kerülhet. Az utasítás azt írja le, hogy milyen szemantikai kapcsolatot részesítsen előnyben a keresés. A Qwen példái külön kódolják a lekérdezéseket és a dokumentumokat, koszinuszhasonlósággal hasonlítják össze a vektoraikat, és bemutatnak egy alacsonyabb szintű eljárást, amely az utolsó token rejtett állapotát vonja össze, majd skalárszorzatos összehasonlítás előtt normalizálja a beágyazást. Egy hasznos munkafolyamat minden szövegrészlet vektorát a forrásazonosítójához kapcsolva tartja, egy előkészített lekérdezést összehasonlít a tárolt vektorokkal, és hasonlósági sorrendben adja vissza a megfelelő részleteket. A példa 8192 tokenes csonkolási beállítása választott bemenetfeldolgozási beállítás, amely különbözik a modell dokumentált 32K szekvenciahosszától. Hosszú bemenetek előkészítésekor vizsgálja meg, mi marad meg. A beágyazási és újrarangsorolási modellek a Qwen kiadásának eltérő komponensei. Egy beágyazási modell egyetlen szövegszegmenst reprezentál, és lehetővé teszi a kezdeti hasonlósági keresést. Egy külön újrarangsoroló értékeli a lekérdezés és a jelölt szövegrészletek kapcsolatát, és finomíthatja a sorrendjüket. A Qwen leírja a két modul kombinálását, de a Qwen3-Embedding-8B önmagában beágyazásokat ad vissza, nem egy újrarangsoroló relevanciaítéletét vagy írott választ. Válaszadással követett keresésnél őrizze meg az egyező forrásszöveget, és ezt a bizonyítékot adja át a válaszadási lépésnek. Válasszon és tartson meg egységes modellt, dimenziót és lekérdezési utasítást a keresett gyűjteményhez. **Ailoot Ultra · Beágyazások** `POST /v1/embeddings` `qwen/qwen3-embedding-8b` [`qwen/qwen3-embedding-8b`](https://ailoot.ai/models/hu/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings) Alibaba /`qwen/qwen3-embedding-8b` ### Kezdő lépések A Qwen3-Embedding-8B szöveget alakít szemantikai vektorokká többnyelvű kereséshez, kódkereséshez, osztályozáshoz és klaszterezéshez. 32K tokenes szekvenciahosszt és 32-től 4096-ig terjedő egyéni beágyazási dimenziókat támogat. Elfogadott bemenetek Szöveg · token\_ids Eredmények embedding ### Elérhető az Ailootban · bemenetek és metódusok **Ailoot Ultra · Beágyazások** `POST /v1/embeddings` Bemenet `text`, `token_ids` Kimenet `embedding` Kontextus 32 768 tokens Kimeneti formátum json | Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett | | --- | --- | --- | --- | --- | | Mező`model` | Típus`string` | KövetelményKötelező | Értékek és korlátok qwen/qwen3-embedding-8b | Alapértelmezett— | | Mező`input` | Típus`string\|string[]\|integer[]\|integer[][]` | KövetelményKötelező | Értékek és korlátok Minimális elemszám: 1 Feltételek: Nem üres, homogén köteg. A tokenazonosítók nemnegatív egész számok. Bemeneti keret: Maximum: 32 768 · Szövegegység: UTF8-bájtok · Tokenegység: tokentömb elemei | Alapértelmezett— | | Mező`encoding_format` | Típus`string` | KövetelményOpcionális | Értékek és korlátok float | Alapértelmezettfloat | | Mező`dimensions` | Típus`integer` | KövetelményNem támogatott | Értékek és korlátok Minimum: 1 | Alapértelmezett— | | Mező`user` | Típus`json_value` | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— | | Mező`session_id` | Típus`json_value` | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— | | Mező`trace` | Típus`json_value` | KövetelményOpcionális | Értékek és korlátok Feltételek: A forrás engedélyezi ezt a JSON-metaadatmezőt; a szolgáltatónál érvényes pontos jelentése modellenként eltér. | Alapértelmezett— | | Mező`provider` | Típus`object` | KövetelményOpcionális | Értékek és korlátok Feltételek: A provider.options elutasítva | Alapértelmezett— | Bemeneti anyagok kombinációi **text\_to\_embedding** Metódus paraméterei és életciklusa | Paraméter | Szerződés | | --- | --- | | Paraméter`content_type` | Szerződésapplication/json | | Paraméter`required` | Szerződésmodel, input | | Paraméter`input_shapes` | Szerződésstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Paraméter`encoding_format` | Szerződésfloat | | Paraméter`dimensions_override` | Szerződésfalse | | Paraméter`max_input_budget_units` | Szerződés32768 | | Paraméter`multimodal_objects` | Szerződésfalse | | Paraméter`material_types` | Szerződéstext, token\_ids | Életciklus: `synchronous_json` Őrizze meg minden vektor indexét és dimenzióját. A multimodális modell neve ezen a pontos útvonalon nem teszi lehetővé képobjektumok használatát. ### Díjcsomagok A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek. Gyors mód Normál díjszabás Ha a gyors mód van kiválasztva Flex mód Normál díjszabás Ha a flex mód van kiválasztva Maximális gondolkodási ráfordítás Normál díjszabás Ha a maximális gondolkodási ráfordításra a default beállításhoz tartozó korrekció vonatkozik #### Ailoot-díjak #### Árak beállításonként | Beállítás | Díjtáblázat | Díj | | --- | --- | --- | | BeállításTokenenkénti alapárak | DíjtáblázatAlapdíj | Díj Bemenet · Bemeneti tokenek **$0.00002** / 1K token Kimenet · Kimeneti tokenek **$0** / 1K token Bemenet · Gyorsítótár olvasása **—** / 1K token Bemenet · Írás a gyorsítótárba **—** / 1K token Bemenet · Írás a gyorsítótárba, 1 óra **—** / 1K token | Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. [A foglalás és az elszámolás működése →](https://ailoot.ai/docs/hu/billing/reserve/) ### Példakérések #### Ailoot Ultra · Beágyazások curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "qwen/qwen3-embedding-8b", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='qwen/qwen3-embedding-8b',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### Eredmények fogadása és mentése #### Ailoot Ultra · Beágyazások json ##### Őrizzen meg minden elkészült eredményt Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt. Őrizzen meg minden vektort az indexével együtt. A vektorok számának meg kell egyeznie a bemenetek számával; a dimenzióknak egységesnek kell lenniük. ##### Ha az eredeti választ ellenőrizni kell Nem kerül bevezetésre külön beágyazási feladatvégpont. Válaszmezők | Mező | Típus | | --- | --- | | Mező`object` | Típusstring | | Mező`model` | Típusstring | | Mező`data[].index` | Típusinteger | | Mező`data[].embedding` | Típusfinite float\[\] | | Mező`usage` | Típusobject | Hibák és következő lépések | Válasz | Feltétel | Következő lépés | | --- | --- | --- | | Válasz400 · `invalid_request_error` | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. | ### Álnevek #### Modell álnevei **Ailoot Ultra** [`qwen/qwen3-embedding-8b`](https://ailoot.ai/models/hu/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings) #### Metódusútvonalak álnevei Használja a fent látható metódusútvonalakat. #### Kapcsolódó modellazonosítók [`qwen/qwen3-embedding-8b`](https://ailoot.ai/models/hu/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings) FAQ · Qwen: Qwen3 Embedding 8B Milyen bemenetek és eredmények érhetők el? `POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `text`, `token_ids` → `embedding` Mely mezőket használja a kérés? `POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `model`, `input`, `encoding_format`, `provider` Milyen korlátok érvényesek? `POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `ctx`: `32768`; `input.budget.maximum`: `32768` (UTF8-bájtok); `input.min_items`: `1` Csatlakoztassa az Ailootot a Claude Code-hoz, OpenCode-hoz, Hermeshez vagy saját alkalmazásához. ## A vállalat és projektportfóliója A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben. ## Vásároljon tokeneket kedvezménnyel. Előfizetési kedvezmény rendszeres munkához. Promókódok — akár 50% tokenvásárlási kedvezmény. Előfizetés Válasszon kedvezményes tarifát a rendszeres kéréseihez. Promókód akár 50%-ig Vásárláskor adja meg a kódot. Az ár az érvényes akció szerint újraszámolódik. Költségek az előzményekben Minden kéréshez megmarad a modell, a tokenek és az összeg. [Előfizetés kiválasztása](https://ailoot.ai/docs/hu/billing/subscriptions/) · [Modellárak megtekintése](https://ailoot.ai/models/hu/) ## Csatlakoztassa az API-t az értékesített termékéhez. SaaS, alkalmazások és botok — az Ailoot ajánlati feltételei és licencszerződése alapján. Viszonteladáshoz kérjen viszonteladói licencet. Kereskedelmi alkalmazás Építsen szöveg-, kép-, videó- és hanggenerálást szolgáltatása fizetős funkcióiba. Viszonteladói licenc Küldje el a projekt leírását és a hozzáférés módját. Kérjen írásos használati és viszonteladási feltételeket. Dokumentumok a weboldalon Az ajánlati feltételek, licencszerződés és adatkezelési szabályzat már a csatlakoztatás előtt elérhető. [Viszonteladói licenc kérése](mailto:support@ailoot.ai) · [Ajánlati feltételek és licencszerződés](https://ailoot.ai/legal/offer?lang=hu) ## Ailoot · A vállalat és projektportfóliója Az Ailoot felhalmozott működési tapasztalatra, széles ügyfélkörre, stabil szolgáltatásra és folyamatos KPI-ellenőrzésre épít. A vállalat és projektportfóliója: ügyfelek milliói; havi értékesítés milliárdos nagyságrendben. Az Ailoot ezt a működési tapasztalatot használja az ügyfelek termékeiben, ágenseiben, alkalmazásaiban és automatizálásaiban elérhető AI-funkciók API-hozzáféréséhez.