{ "aboutHtml": "

Qwen3-Embedding-4B adalah edisi embedding teks 4B dalam keluarga embedding dan reranking Qwen. Dibangun di atas model fondasi dense Qwen3, model ini mengubah segmen teks menjadi representasi numerik dari maknanya. Qwen menyebut pencarian teks, pencarian kode, klasifikasi, pengelompokan, dan penambangan teks paralel sebagai bidang penerapannya. Model ini berguna ketika aplikasi perlu menemukan bagian teks yang berkaitan, mengelompokkan catatan yang mirip, atau membandingkan teks lintas bahasa. Keluaran model berupa vektor embedding, bukan respons percakapan atau dokumen yang ditulis ulang.

Edisi ini memiliki panjang urutan 32K token dan dimensi embedding hingga 2.560. Model ini mendukung dimensi keluaran yang dapat disesuaikan dari 32 hingga 2.560 melalui Matryoshka Representation Learning. Panjang vektor yang dipilih memengaruhi cara representasi disimpan dan dibandingkan, jadi pertahankan panjang yang konsisten antara vektor kueri dan dokumen dalam satu koleksi. Qwen3-Embedding-8B memiliki ukuran model berbeda dan dimensi maksimum 4.096; ukuran keluaran maupun identitas model 8B tersebut tidak berlaku untuk edisi 4B ini. Indeks yang sudah ada perlu mempertahankan pilihan representasinya secara konsisten.

Produsen menjelaskan dukungan untuk lebih dari 100 bahasa, termasuk bahasa pemrograman, dengan pencarian multibahasa, lintas bahasa, dan kode. Sebagai contoh, pencarian pusat bantuan dapat membandingkan pertanyaan pengguna dengan bagian teks yang ditulis dalam beberapa bahasa, lalu mengembalikan bagian asli yang sesuai dengan topiknya. Pencarian kode dapat membandingkan deskripsi bahasa alami dengan fungsi yang relevan beserta dokumentasinya. Pertahankan judul yang bermakna, istilah bidang, dan pengenal saat menyiapkan teks, serta hubungkan setiap bagian yang direpresentasikan dengan sumbernya agar aplikasi dapat menampilkan materi yang cocok.

Qwen3-Embedding-4B memperhitungkan instruksi. Qwen menyarankan agar setiap kueri diberi deskripsi tugas satu kalimat yang disesuaikan dengan hubungan pencarian yang dimaksud, dan menyarankan instruksi bahasa Inggris untuk skenario multibahasa. Contoh langsungnya menempatkan Instruct: sebelum deskripsi tugas dan Query: sebelum teks kueri. Dokumen pencariannya dikodekan tanpa instruksi kueri tersebut. Instruksi buatan sendiri yang praktis dapat menentukan pencarian bagian dokumentasi yang menjelaskan kesalahan yang dilaporkan atau cuplikan kode sumber yang menerapkan perilaku yang dijelaskan. Dengan demikian, representasi diarahkan pada pertanyaan aplikasi, bukan meminta model menulis jawaban.

Contoh resmi mengodekan teks kueri dan dokumen, membandingkan embedding-nya menggunakan kemiripan kosinus, serta memperagakan pooling status tersembunyi token terakhir yang diikuti normalisasi. Dalam contoh tingkat rendah tersebut, masukan dipotong pada pengaturan 8.192 token yang dipilih; panjang urutan model yang didokumentasikan tetap 32K. Untuk materi panjang, tentukan bagian yang akan direpresentasikan dan pastikan pemotongan tidak diam-diam membuang bagian yang diperlukan kueri. Simpan vektor dengan referensi sumber yang stabil, bandingkan kueri yang sudah disiapkan dengan koleksi, lalu kembalikan bagian terkait menurut urutan kemiripannya.

Model embedding Qwen menggunakan pendekatan dual-encoder, sedangkan model reranking-nya yang terpisah menggunakan cross-encoder untuk menilai pasangan kueri-dokumen. Penjelasan rilis menguraikan penggunaan modul-modul tersebut bersama-sama: embedding menemukan kandidat awal, lalu reranker dapat menyempurnakan urutannya. Qwen3-Embedding-4B sendiri menyediakan representasi satu teks. Vektornya bukan skor reranker, pernyataan yang telah diverifikasi, atau jawaban yang dihasilkan. Jika alur kerja akhir menjawab pertanyaan berdasarkan materi yang ditemukan, bagian sumber yang dipilih tetap menjadi bukti yang diteruskan ke tahap selanjutnya.

", "aboutText": "Qwen3-Embedding-4B adalah edisi embedding teks 4B dalam keluarga embedding dan reranking Qwen. Dibangun di atas model fondasi dense Qwen3, model ini mengubah segmen teks menjadi representasi numerik dari maknanya. Qwen menyebut pencarian teks, pencarian kode, klasifikasi, pengelompokan, dan penambangan teks paralel sebagai bidang penerapannya. Model ini berguna ketika aplikasi perlu menemukan bagian teks yang berkaitan, mengelompokkan catatan yang mirip, atau membandingkan teks lintas bahasa. Keluaran model berupa vektor embedding, bukan respons percakapan atau dokumen yang ditulis ulang.\n\nEdisi ini memiliki panjang urutan 32K token dan dimensi embedding hingga 2.560. Model ini mendukung dimensi keluaran yang dapat disesuaikan dari 32 hingga 2.560 melalui Matryoshka Representation Learning. Panjang vektor yang dipilih memengaruhi cara representasi disimpan dan dibandingkan, jadi pertahankan panjang yang konsisten antara vektor kueri dan dokumen dalam satu koleksi. Qwen3-Embedding-8B memiliki ukuran model berbeda dan dimensi maksimum 4.096; ukuran keluaran maupun identitas model 8B tersebut tidak berlaku untuk edisi 4B ini. Indeks yang sudah ada perlu mempertahankan pilihan representasinya secara konsisten.\n\nProdusen menjelaskan dukungan untuk lebih dari 100 bahasa, termasuk bahasa pemrograman, dengan pencarian multibahasa, lintas bahasa, dan kode. Sebagai contoh, pencarian pusat bantuan dapat membandingkan pertanyaan pengguna dengan bagian teks yang ditulis dalam beberapa bahasa, lalu mengembalikan bagian asli yang sesuai dengan topiknya. Pencarian kode dapat membandingkan deskripsi bahasa alami dengan fungsi yang relevan beserta dokumentasinya. Pertahankan judul yang bermakna, istilah bidang, dan pengenal saat menyiapkan teks, serta hubungkan setiap bagian yang direpresentasikan dengan sumbernya agar aplikasi dapat menampilkan materi yang cocok.\n\nQwen3-Embedding-4B memperhitungkan instruksi. Qwen menyarankan agar setiap kueri diberi deskripsi tugas satu kalimat yang disesuaikan dengan hubungan pencarian yang dimaksud, dan menyarankan instruksi bahasa Inggris untuk skenario multibahasa. Contoh langsungnya menempatkan Instruct: sebelum deskripsi tugas dan Query: sebelum teks kueri. Dokumen pencariannya dikodekan tanpa instruksi kueri tersebut. Instruksi buatan sendiri yang praktis dapat menentukan pencarian bagian dokumentasi yang menjelaskan kesalahan yang dilaporkan atau cuplikan kode sumber yang menerapkan perilaku yang dijelaskan. Dengan demikian, representasi diarahkan pada pertanyaan aplikasi, bukan meminta model menulis jawaban.\n\nContoh resmi mengodekan teks kueri dan dokumen, membandingkan embedding-nya menggunakan kemiripan kosinus, serta memperagakan pooling status tersembunyi token terakhir yang diikuti normalisasi. Dalam contoh tingkat rendah tersebut, masukan dipotong pada pengaturan 8.192 token yang dipilih; panjang urutan model yang didokumentasikan tetap 32K. Untuk materi panjang, tentukan bagian yang akan direpresentasikan dan pastikan pemotongan tidak diam-diam membuang bagian yang diperlukan kueri. Simpan vektor dengan referensi sumber yang stabil, bandingkan kueri yang sudah disiapkan dengan koleksi, lalu kembalikan bagian terkait menurut urutan kemiripannya.\n\nModel embedding Qwen menggunakan pendekatan dual-encoder, sedangkan model reranking-nya yang terpisah menggunakan cross-encoder untuk menilai pasangan kueri-dokumen. Penjelasan rilis menguraikan penggunaan modul-modul tersebut bersama-sama: embedding menemukan kandidat awal, lalu reranker dapat menyempurnakan urutannya. Qwen3-Embedding-4B sendiri menyediakan representasi satu teks. Vektornya bukan skor reranker, pernyataan yang telah diverifikasi, atau jawaban yang dihasilkan. Jika alur kerja akhir menjawab pertanyaan berdasarkan materi yang ditemukan, bagian sumber yang dipilih tetap menjadi bukti yang diteruskan ke tahap selanjutnya.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2859bf01d37e9e4b65f33f22845026a328bb46f60ed9157ecfb73c6926dd3758", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
Al

Qwen: Qwen3 Embedding 4B

Alibaba /qwen/qwen3-embedding-4b

Mulai

Qwen3-Embedding-4B merepresentasikan teks sebagai vektor semantik untuk pencarian multibahasa, pencarian kode, klasifikasi, dan pengelompokan. Model 4B ini mendukung panjang urutan 32K token dan dimensi vektor yang dapat disesuaikan dari 32 hingga 2.560.

Masukan yang diterima
Teks · token_ids
Hasil
embedding
Tentang model

Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.

Qwen3-Embedding-4B adalah edisi embedding teks 4B dalam keluarga embedding dan reranking Qwen. Dibangun di atas model fondasi dense Qwen3, model ini mengubah segmen teks menjadi representasi numerik dari maknanya. Qwen menyebut pencarian teks, pencarian kode, klasifikasi, pengelompokan, dan penambangan teks paralel sebagai bidang penerapannya. Model ini berguna ketika aplikasi perlu menemukan bagian teks yang berkaitan, mengelompokkan catatan yang mirip, atau membandingkan teks lintas bahasa. Keluaran model berupa vektor embedding, bukan respons percakapan atau dokumen yang ditulis ulang.

Edisi ini memiliki panjang urutan 32K token dan dimensi embedding hingga 2.560. Model ini mendukung dimensi keluaran yang dapat disesuaikan dari 32 hingga 2.560 melalui Matryoshka Representation Learning. Panjang vektor yang dipilih memengaruhi cara representasi disimpan dan dibandingkan, jadi pertahankan panjang yang konsisten antara vektor kueri dan dokumen dalam satu koleksi. Qwen3-Embedding-8B memiliki ukuran model berbeda dan dimensi maksimum 4.096; ukuran keluaran maupun identitas model 8B tersebut tidak berlaku untuk edisi 4B ini. Indeks yang sudah ada perlu mempertahankan pilihan representasinya secara konsisten.

Produsen menjelaskan dukungan untuk lebih dari 100 bahasa, termasuk bahasa pemrograman, dengan pencarian multibahasa, lintas bahasa, dan kode. Sebagai contoh, pencarian pusat bantuan dapat membandingkan pertanyaan pengguna dengan bagian teks yang ditulis dalam beberapa bahasa, lalu mengembalikan bagian asli yang sesuai dengan topiknya. Pencarian kode dapat membandingkan deskripsi bahasa alami dengan fungsi yang relevan beserta dokumentasinya. Pertahankan judul yang bermakna, istilah bidang, dan pengenal saat menyiapkan teks, serta hubungkan setiap bagian yang direpresentasikan dengan sumbernya agar aplikasi dapat menampilkan materi yang cocok.

Qwen3-Embedding-4B memperhitungkan instruksi. Qwen menyarankan agar setiap kueri diberi deskripsi tugas satu kalimat yang disesuaikan dengan hubungan pencarian yang dimaksud, dan menyarankan instruksi bahasa Inggris untuk skenario multibahasa. Contoh langsungnya menempatkan Instruct: sebelum deskripsi tugas dan Query: sebelum teks kueri. Dokumen pencariannya dikodekan tanpa instruksi kueri tersebut. Instruksi buatan sendiri yang praktis dapat menentukan pencarian bagian dokumentasi yang menjelaskan kesalahan yang dilaporkan atau cuplikan kode sumber yang menerapkan perilaku yang dijelaskan. Dengan demikian, representasi diarahkan pada pertanyaan aplikasi, bukan meminta model menulis jawaban.

Contoh resmi mengodekan teks kueri dan dokumen, membandingkan embedding-nya menggunakan kemiripan kosinus, serta memperagakan pooling status tersembunyi token terakhir yang diikuti normalisasi. Dalam contoh tingkat rendah tersebut, masukan dipotong pada pengaturan 8.192 token yang dipilih; panjang urutan model yang didokumentasikan tetap 32K. Untuk materi panjang, tentukan bagian yang akan direpresentasikan dan pastikan pemotongan tidak diam-diam membuang bagian yang diperlukan kueri. Simpan vektor dengan referensi sumber yang stabil, bandingkan kueri yang sudah disiapkan dengan koleksi, lalu kembalikan bagian terkait menurut urutan kemiripannya.

Model embedding Qwen menggunakan pendekatan dual-encoder, sedangkan model reranking-nya yang terpisah menggunakan cross-encoder untuk menilai pasangan kueri-dokumen. Penjelasan rilis menguraikan penggunaan modul-modul tersebut bersama-sama: embedding menemukan kandidat awal, lalu reranker dapat menyempurnakan urutannya. Qwen3-Embedding-4B sendiri menyediakan representasi satu teks. Vektornya bukan skor reranker, pernyataan yang telah diverifikasi, atau jawaban yang dihasilkan. Jika alur kerja akhir menjawab pertanyaan berdasarkan materi yang ditemukan, bagian sumber yang dipilih tetap menjadi bukti yang diteruskan ke tahap selanjutnya.

Tersedia di Ailoot · masukan & metode

Ailoot Ultra · Embedding POST /v1/embeddings
Masukan
text, token_ids
Keluaran
embedding
Format keluaran
json
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
qwen/qwen3-embedding-4b
Bawaan—
KolominputJenisstring|string[]|integer[]|integer[][]PersyaratanWajibNilai & batasan
Item minimum: 1
Kondisi: Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.
Anggaran masukan: Maksimum: 32.768 · Satuan teks: byte UTF8 · Satuan token: elemen array token
Bawaan—
Kolomencoding_formatJenisstringPersyaratanOpsionalNilai & batasan
float
Bawaanfloat
KolomdimensionsJenisintegerPersyaratanTidak didukungNilai & batasan
Minimum: 1
Bawaan—
KolomuserJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
Kolomsession_idJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomtraceJenisjson_valuePersyaratanOpsionalNilai & batasan
Kondisi: Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.
Bawaan—
KolomproviderJenisobjectPersyaratanOpsionalNilai & batasan
Kondisi: provider.options ditolak
Bawaan—
Kombinasi bahan masukan

text_to_embedding

Parameter metode dan siklus hidup
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak32768
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

Siklus hidup: synchronous_json

Pertahankan index dan dimensi setiap vektor.

Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini.

Paket

Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.

Mode Fast
Tidak ditentukan Saat mode fast dipilih
Mode Flex
Tidak ditentukan Saat mode flex dipilih
Upaya penalaran maksimum
Tidak ditentukan Saat upaya penalaran maksimum menggunakan penyesuaian default

Tarif Ailoot

Harga menurut konfigurasi

KonfigurasiJadwal tarifBiaya
KonfigurasiTarif dasar tokenJadwal tarifTarif dasarBiaya
Masukan · Token masukan $0.00004 / 1K token
Keluaran · Token keluaran $0 / 1K token
Masukan · Pembacaan cache — / 1K token
Masukan · Penulisan cache — / 1K token
Masukan · Penulisan cache, 1 jam — / 1K token

Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →

Contoh permintaan

Ailoot Ultra · Embedding

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

Terima dan simpan hasil

Ailoot Ultra · Embedding

json

Simpan semua hasil yang selesai

Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.

Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.

Jika respons asli perlu diperiksa

Endpoint untuk tugas embedding tidak ditambahkan.

Kolom respons
KolomJenis
KolomobjectJenisstring
KolommodelJenisstring
Kolomdata[].indexJenisinteger
Kolomdata[].embeddingJenisfinite float[]
KolomusageJenisobject
Kesalahan dan langkah berikutnya
ResponsKondisiLangkah berikutnya
Respons400 · invalid_request_errorKondisiBidang wajib, representasi materi, atau nilai parameter tidak validLangkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.

Alias

Alias model

Ailoot Ultra qwen/qwen3-embedding-4b

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "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": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "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": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "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": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "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": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "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": "Tarif dasar token", "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": "e4a5a44609202d13a2c8c5d9428ee65d20437b2bdf89929c47eb4ff99e50fe0a", "input_html_sha256": "8a1983f2aea56cf65642fd76681fb67ec19b22c3b8dd08f0f54b62854e3c656b", "private_audit_sha256": "cd0a8aa5a95b7b7fc0336055a850aef219afae62fbe86e27a18468f50ba2fa6a", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/qwen-qwen3-embedding-4b/", "description": "Qwen3-Embedding-4B merepresentasikan teks sebagai vektor semantik untuk pencarian multibahasa, pencarian kode, klasifikasi, dan pengelompokan. Model 4B ini mendukung panjang urutan 32K token dan dimensi vektor yang dapat disesuaikan dari 32 hingga 2.560.", "locale": "id", "md_url": "https://ailoot.ai/models/id/qwen-qwen3-embedding-4b/index.md", "title": "Qwen: Qwen3 Embedding 4B — Ailoot", "url": "https://ailoot.ai/models/id/qwen-qwen3-embedding-4b/" }, "rawModel": { "about": "Qwen3-Embedding-4B adalah edisi embedding teks 4B dalam keluarga embedding dan reranking Qwen. Dibangun di atas model fondasi dense Qwen3, model ini mengubah segmen teks menjadi representasi numerik dari maknanya. Qwen menyebut pencarian teks, pencarian kode, klasifikasi, pengelompokan, dan penambangan teks paralel sebagai bidang penerapannya. Model ini berguna ketika aplikasi perlu menemukan bagian teks yang berkaitan, mengelompokkan catatan yang mirip, atau membandingkan teks lintas bahasa. Keluaran model berupa vektor embedding, bukan respons percakapan atau dokumen yang ditulis ulang.\n\nEdisi ini memiliki panjang urutan 32K token dan dimensi embedding hingga 2.560. Model ini mendukung dimensi keluaran yang dapat disesuaikan dari 32 hingga 2.560 melalui Matryoshka Representation Learning. Panjang vektor yang dipilih memengaruhi cara representasi disimpan dan dibandingkan, jadi pertahankan panjang yang konsisten antara vektor kueri dan dokumen dalam satu koleksi. Qwen3-Embedding-8B memiliki ukuran model berbeda dan dimensi maksimum 4.096; ukuran keluaran maupun identitas model 8B tersebut tidak berlaku untuk edisi 4B ini. Indeks yang sudah ada perlu mempertahankan pilihan representasinya secara konsisten.\n\nProdusen menjelaskan dukungan untuk lebih dari 100 bahasa, termasuk bahasa pemrograman, dengan pencarian multibahasa, lintas bahasa, dan kode. Sebagai contoh, pencarian pusat bantuan dapat membandingkan pertanyaan pengguna dengan bagian teks yang ditulis dalam beberapa bahasa, lalu mengembalikan bagian asli yang sesuai dengan topiknya. Pencarian kode dapat membandingkan deskripsi bahasa alami dengan fungsi yang relevan beserta dokumentasinya. Pertahankan judul yang bermakna, istilah bidang, dan pengenal saat menyiapkan teks, serta hubungkan setiap bagian yang direpresentasikan dengan sumbernya agar aplikasi dapat menampilkan materi yang cocok.\n\nQwen3-Embedding-4B memperhitungkan instruksi. Qwen menyarankan agar setiap kueri diberi deskripsi tugas satu kalimat yang disesuaikan dengan hubungan pencarian yang dimaksud, dan menyarankan instruksi bahasa Inggris untuk skenario multibahasa. Contoh langsungnya menempatkan Instruct: sebelum deskripsi tugas dan Query: sebelum teks kueri. Dokumen pencariannya dikodekan tanpa instruksi kueri tersebut. Instruksi buatan sendiri yang praktis dapat menentukan pencarian bagian dokumentasi yang menjelaskan kesalahan yang dilaporkan atau cuplikan kode sumber yang menerapkan perilaku yang dijelaskan. Dengan demikian, representasi diarahkan pada pertanyaan aplikasi, bukan meminta model menulis jawaban.\n\nContoh resmi mengodekan teks kueri dan dokumen, membandingkan embedding-nya menggunakan kemiripan kosinus, serta memperagakan pooling status tersembunyi token terakhir yang diikuti normalisasi. Dalam contoh tingkat rendah tersebut, masukan dipotong pada pengaturan 8.192 token yang dipilih; panjang urutan model yang didokumentasikan tetap 32K. Untuk materi panjang, tentukan bagian yang akan direpresentasikan dan pastikan pemotongan tidak diam-diam membuang bagian yang diperlukan kueri. Simpan vektor dengan referensi sumber yang stabil, bandingkan kueri yang sudah disiapkan dengan koleksi, lalu kembalikan bagian terkait menurut urutan kemiripannya.\n\nModel embedding Qwen menggunakan pendekatan dual-encoder, sedangkan model reranking-nya yang terpisah menggunakan cross-encoder untuk menilai pasangan kueri-dokumen. Penjelasan rilis menguraikan penggunaan modul-modul tersebut bersama-sama: embedding menemukan kandidat awal, lalu reranker dapat menyempurnakan urutannya. Qwen3-Embedding-4B sendiri menyediakan representasi satu teks. Vektornya bukan skor reranker, pernyataan yang telah diverifikasi, atau jawaban yang dihasilkan. Jika alur kerja akhir menjawab pertanyaan berdasarkan materi yang ditemukan, bagian sumber yang dipilih tetap menjadi bukti yang diteruskan ke tahap selanjutnya.", "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": "Informasi lengkap harga konfigurasi tersedia di bagian detail." } ], "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": "Bidang wajib, representasi materi, atau nilai parameter tidak valid", "http_status": 400, "recovery": "Perbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Endpoint untuk tugas embedding tidak ditambahkan." }, "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": "Simpan setiap vektor beserta index masing-masing. Jumlah vektor harus sama dengan jumlah input; dimensinya harus konsisten.", "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": "byte UTF8", "token_unit": "elemen array token" }, "conditions": "Batch homogen yang tidak kosong. ID token berupa bilangan bulat nonnegatif.", "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": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber mengizinkan kolom metadata JSON ini; makna tepatnya pada layanan hulu bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "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": [ "Pertahankan index dan dimensi setiap vektor.", "Nama model multimodal tidak mengizinkan objek gambar pada jalur persis ini." ], "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": "Tarif dasar token", "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 merepresentasikan teks sebagai vektor semantik untuk pencarian multibahasa, pencarian kode, klasifikasi, dan pengelompokan. Model 4B ini mendukung panjang urutan 32K token dan dimensi vektor yang dapat disesuaikan dari 32 hingga 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 merepresentasikan teks sebagai vektor semantik untuk pencarian multibahasa, pencarian kode, klasifikasi, dan pengelompokan. Model 4B ini mendukung panjang urutan 32K token dan dimensi vektor yang dapat disesuaikan dari 32 hingga 2.560.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "dc45e084a8e265d4f719d8a168aab26d699abcf4f8a5c7f1be0f615d1a99c0f5", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "3318f5578bddcfb81cd7433b98f88b7e1295530f6db227940e70c1df15421994" }