{ "aboutHtml": "

Qwen3-Embedding-8B adalah model embedding teks 8B Qwen, yang dibangun dari model fondasi Qwen3 dense. Model ini merepresentasikan teks sebagai vektor numerik alih-alih menghasilkan jawaban percakapan. Qwen mencantumkan penelusuran teks, penelusuran kode, klasifikasi, pengelompokan, dan penambangan teks paralel dwibahasa di antara bidang aplikasi yang didukung. Sistem pencarian dapat menggunakan vektor ini untuk membandingkan pertanyaan dengan bagian teks yang relevan; koleksi dokumen dapat menggunakannya untuk menemukan materi yang terkait secara semantik atau mengatur rekaman ke dalam kelompok.

Model yang persis ini mendukung panjang urutan 32K token dan embedding hingga 4.096 dimensi. Model ini juga mendukung dimensi keluaran yang ditentukan pengguna dari 32 hingga 4.096 melalui Matryoshka Representation Learning. Dengan demikian, panjang vektor merupakan pilihan desain yang disengaja: vektor lebih pendek mengubah ukuran representasi, sedangkan keluaran penuh mempertahankan dimensionalitas maksimum model. Pertahankan dimensi pilihan yang konsisten untuk dokumen dan kueri yang dibandingkan dalam satu indeks. Qwen3-Embedding-4B merupakan edisi terpisah dengan dimensi maksimum berbeda, bukan sumber vektor yang dapat saling menggantikan untuk koleksi 8B yang sudah ada.

Produsen menjelaskan dukungan untuk lebih dari 100 bahasa, termasuk bahasa pemrograman, serta penelusuran multibahasa, lintas bahasa, dan kode. Koleksi praktis dapat berisi dokumen dalam beberapa bahasa sementara kueri mencari makna yang relevan, atau bagian kode sumber yang diindeks untuk pertanyaan bahasa alami. Pertahankan pengenal penting, judul, dan istilah bidang dalam masukan. Untuk kode, pertahankan penjelasan di sekitar fungsi atau modul bersama cuplikan ketika konteks itu menjadi bagian dari pertanyaan. Keluarannya tetap berupa representasi vektor; mengembalikan teks dokumen yang cocok merupakan langkah berikutnya dari aplikasi pencarian.

Model ini peka terhadap instruksi. Qwen merekomendasikan instruksi satu kalimat yang disesuaikan dengan tugas penelusuran dan, untuk penggunaan multibahasa, merekomendasikan penulisan instruksi tersebut dalam bahasa Inggris. Contoh langsungnya memformat kueri dengan Instruct: diikuti deskripsi tugas dan Query: diikuti pertanyaan. Dokumen yang ditelusuri tidak membutuhkan prefiks instruksi yang sama dalam contoh tersebut. Arahan awal yang sesuai dapat menjelaskan pencarian bagian teknis yang menerangkan kesalahan pengguna, lalu menempatkan deskripsi kesalahan tertentu dalam kueri. Instruksi menjelaskan jenis hubungan semantik yang sebaiknya diprioritaskan oleh pencarian.

Contoh Qwen mengodekan kueri dan dokumen secara terpisah, membandingkan vektornya menggunakan kemiripan kosinus, dan menunjukkan prosedur tingkat lebih rendah yang mengambil keadaan tersembunyi token terakhir serta menormalkan embedding sebelum perbandingan perkalian titik. Alur kerja yang berguna mempertahankan vektor setiap bagian teks terkait dengan pengenal sumbernya, membandingkan kueri yang disiapkan dengan vektor tersimpan, dan mengembalikan bagian teks yang bersesuaian menurut urutan kemiripan. Pengaturan pemotongan 8.192 token dalam contoh merupakan pengaturan pemrosesan masukan yang dipilih, berbeda dari panjang urutan 32K model yang didokumentasikan. Tinjau apa yang dipertahankan saat menyiapkan masukan panjang.

Model embedding dan pemeringkatan ulang merupakan komponen berbeda dalam rilis Qwen. Model embedding merepresentasikan satu segmen teks dan memungkinkan pencarian kemiripan awal. Pemeringkat ulang terpisah mengevaluasi hubungan antara kueri dan bagian teks kandidat serta dapat menyempurnakan urutannya. Qwen menjelaskan penggabungan kedua modul, tetapi Qwen3-Embedding-8B sendiri mengembalikan embedding alih-alih penilaian relevansi pemeringkat ulang atau jawaban tertulis. Untuk penelusuran yang diikuti jawaban, pertahankan teks sumber yang cocok dan teruskan bukti tersebut ke tahap penjawaban. Pilih dan pertahankan model, dimensi, serta instruksi kueri yang konsisten untuk koleksi yang dicari.

", "aboutText": "Qwen3-Embedding-8B adalah model embedding teks 8B Qwen, yang dibangun dari model fondasi Qwen3 dense. Model ini merepresentasikan teks sebagai vektor numerik alih-alih menghasilkan jawaban percakapan. Qwen mencantumkan penelusuran teks, penelusuran kode, klasifikasi, pengelompokan, dan penambangan teks paralel dwibahasa di antara bidang aplikasi yang didukung. Sistem pencarian dapat menggunakan vektor ini untuk membandingkan pertanyaan dengan bagian teks yang relevan; koleksi dokumen dapat menggunakannya untuk menemukan materi yang terkait secara semantik atau mengatur rekaman ke dalam kelompok.\n\nModel yang persis ini mendukung panjang urutan 32K token dan embedding hingga 4.096 dimensi. Model ini juga mendukung dimensi keluaran yang ditentukan pengguna dari 32 hingga 4.096 melalui Matryoshka Representation Learning. Dengan demikian, panjang vektor merupakan pilihan desain yang disengaja: vektor lebih pendek mengubah ukuran representasi, sedangkan keluaran penuh mempertahankan dimensionalitas maksimum model. Pertahankan dimensi pilihan yang konsisten untuk dokumen dan kueri yang dibandingkan dalam satu indeks. Qwen3-Embedding-4B merupakan edisi terpisah dengan dimensi maksimum berbeda, bukan sumber vektor yang dapat saling menggantikan untuk koleksi 8B yang sudah ada.\n\nProdusen menjelaskan dukungan untuk lebih dari 100 bahasa, termasuk bahasa pemrograman, serta penelusuran multibahasa, lintas bahasa, dan kode. Koleksi praktis dapat berisi dokumen dalam beberapa bahasa sementara kueri mencari makna yang relevan, atau bagian kode sumber yang diindeks untuk pertanyaan bahasa alami. Pertahankan pengenal penting, judul, dan istilah bidang dalam masukan. Untuk kode, pertahankan penjelasan di sekitar fungsi atau modul bersama cuplikan ketika konteks itu menjadi bagian dari pertanyaan. Keluarannya tetap berupa representasi vektor; mengembalikan teks dokumen yang cocok merupakan langkah berikutnya dari aplikasi pencarian.\n\nModel ini peka terhadap instruksi. Qwen merekomendasikan instruksi satu kalimat yang disesuaikan dengan tugas penelusuran dan, untuk penggunaan multibahasa, merekomendasikan penulisan instruksi tersebut dalam bahasa Inggris. Contoh langsungnya memformat kueri dengan Instruct: diikuti deskripsi tugas dan Query: diikuti pertanyaan. Dokumen yang ditelusuri tidak membutuhkan prefiks instruksi yang sama dalam contoh tersebut. Arahan awal yang sesuai dapat menjelaskan pencarian bagian teknis yang menerangkan kesalahan pengguna, lalu menempatkan deskripsi kesalahan tertentu dalam kueri. Instruksi menjelaskan jenis hubungan semantik yang sebaiknya diprioritaskan oleh pencarian.\n\nContoh Qwen mengodekan kueri dan dokumen secara terpisah, membandingkan vektornya menggunakan kemiripan kosinus, dan menunjukkan prosedur tingkat lebih rendah yang mengambil keadaan tersembunyi token terakhir serta menormalkan embedding sebelum perbandingan perkalian titik. Alur kerja yang berguna mempertahankan vektor setiap bagian teks terkait dengan pengenal sumbernya, membandingkan kueri yang disiapkan dengan vektor tersimpan, dan mengembalikan bagian teks yang bersesuaian menurut urutan kemiripan. Pengaturan pemotongan 8.192 token dalam contoh merupakan pengaturan pemrosesan masukan yang dipilih, berbeda dari panjang urutan 32K model yang didokumentasikan. Tinjau apa yang dipertahankan saat menyiapkan masukan panjang.\n\nModel embedding dan pemeringkatan ulang merupakan komponen berbeda dalam rilis Qwen. Model embedding merepresentasikan satu segmen teks dan memungkinkan pencarian kemiripan awal. Pemeringkat ulang terpisah mengevaluasi hubungan antara kueri dan bagian teks kandidat serta dapat menyempurnakan urutannya. Qwen menjelaskan penggabungan kedua modul, tetapi Qwen3-Embedding-8B sendiri mengembalikan embedding alih-alih penilaian relevansi pemeringkat ulang atau jawaban tertulis. Untuk penelusuran yang diikuti jawaban, pertahankan teks sumber yang cocok dan teruskan bukti tersebut ke tahap penjawaban. Pilih dan pertahankan model, dimensi, serta instruksi kueri yang konsisten untuk koleksi yang dicari.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4d418443d58be5e6186101ab37826ac996557c4791857c0874f51c1e4b3d1d00", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "
Al

Qwen: Qwen3 Embedding 8B

Alibaba /qwen/qwen3-embedding-8b

Mulai

Qwen3-Embedding-8B mengubah teks menjadi vektor semantik untuk pencarian multibahasa, penelusuran kode, klasifikasi, dan pengelompokan. Model ini mendukung panjang urutan 32K token dan dimensi embedding khusus dari 32 hingga 4.096.

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-8B adalah model embedding teks 8B Qwen, yang dibangun dari model fondasi Qwen3 dense. Model ini merepresentasikan teks sebagai vektor numerik alih-alih menghasilkan jawaban percakapan. Qwen mencantumkan penelusuran teks, penelusuran kode, klasifikasi, pengelompokan, dan penambangan teks paralel dwibahasa di antara bidang aplikasi yang didukung. Sistem pencarian dapat menggunakan vektor ini untuk membandingkan pertanyaan dengan bagian teks yang relevan; koleksi dokumen dapat menggunakannya untuk menemukan materi yang terkait secara semantik atau mengatur rekaman ke dalam kelompok.

Model yang persis ini mendukung panjang urutan 32K token dan embedding hingga 4.096 dimensi. Model ini juga mendukung dimensi keluaran yang ditentukan pengguna dari 32 hingga 4.096 melalui Matryoshka Representation Learning. Dengan demikian, panjang vektor merupakan pilihan desain yang disengaja: vektor lebih pendek mengubah ukuran representasi, sedangkan keluaran penuh mempertahankan dimensionalitas maksimum model. Pertahankan dimensi pilihan yang konsisten untuk dokumen dan kueri yang dibandingkan dalam satu indeks. Qwen3-Embedding-4B merupakan edisi terpisah dengan dimensi maksimum berbeda, bukan sumber vektor yang dapat saling menggantikan untuk koleksi 8B yang sudah ada.

Produsen menjelaskan dukungan untuk lebih dari 100 bahasa, termasuk bahasa pemrograman, serta penelusuran multibahasa, lintas bahasa, dan kode. Koleksi praktis dapat berisi dokumen dalam beberapa bahasa sementara kueri mencari makna yang relevan, atau bagian kode sumber yang diindeks untuk pertanyaan bahasa alami. Pertahankan pengenal penting, judul, dan istilah bidang dalam masukan. Untuk kode, pertahankan penjelasan di sekitar fungsi atau modul bersama cuplikan ketika konteks itu menjadi bagian dari pertanyaan. Keluarannya tetap berupa representasi vektor; mengembalikan teks dokumen yang cocok merupakan langkah berikutnya dari aplikasi pencarian.

Model ini peka terhadap instruksi. Qwen merekomendasikan instruksi satu kalimat yang disesuaikan dengan tugas penelusuran dan, untuk penggunaan multibahasa, merekomendasikan penulisan instruksi tersebut dalam bahasa Inggris. Contoh langsungnya memformat kueri dengan Instruct: diikuti deskripsi tugas dan Query: diikuti pertanyaan. Dokumen yang ditelusuri tidak membutuhkan prefiks instruksi yang sama dalam contoh tersebut. Arahan awal yang sesuai dapat menjelaskan pencarian bagian teknis yang menerangkan kesalahan pengguna, lalu menempatkan deskripsi kesalahan tertentu dalam kueri. Instruksi menjelaskan jenis hubungan semantik yang sebaiknya diprioritaskan oleh pencarian.

Contoh Qwen mengodekan kueri dan dokumen secara terpisah, membandingkan vektornya menggunakan kemiripan kosinus, dan menunjukkan prosedur tingkat lebih rendah yang mengambil keadaan tersembunyi token terakhir serta menormalkan embedding sebelum perbandingan perkalian titik. Alur kerja yang berguna mempertahankan vektor setiap bagian teks terkait dengan pengenal sumbernya, membandingkan kueri yang disiapkan dengan vektor tersimpan, dan mengembalikan bagian teks yang bersesuaian menurut urutan kemiripan. Pengaturan pemotongan 8.192 token dalam contoh merupakan pengaturan pemrosesan masukan yang dipilih, berbeda dari panjang urutan 32K model yang didokumentasikan. Tinjau apa yang dipertahankan saat menyiapkan masukan panjang.

Model embedding dan pemeringkatan ulang merupakan komponen berbeda dalam rilis Qwen. Model embedding merepresentasikan satu segmen teks dan memungkinkan pencarian kemiripan awal. Pemeringkat ulang terpisah mengevaluasi hubungan antara kueri dan bagian teks kandidat serta dapat menyempurnakan urutannya. Qwen menjelaskan penggabungan kedua modul, tetapi Qwen3-Embedding-8B sendiri mengembalikan embedding alih-alih penilaian relevansi pemeringkat ulang atau jawaban tertulis. Untuk penelusuran yang diikuti jawaban, pertahankan teks sumber yang cocok dan teruskan bukti tersebut ke tahap penjawaban. Pilih dan pertahankan model, dimensi, serta instruksi kueri yang konsisten untuk koleksi yang dicari.

Tersedia di Ailoot · masukan & metode

Ailoot Ultra · Embedding POST /v1/embeddings
Masukan
text, token_ids
Keluaran
embedding
Konteks
32.768 tokens
Format keluaran
json
KolomJenisPersyaratanNilai & batasanBawaan
KolommodelJenisstringPersyaratanWajibNilai & batasan
qwen/qwen3-embedding-8b
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
Tarif standar Saat mode fast dipilih
Mode Flex
Tarif standar Saat mode flex dipilih
Upaya penalaran maksimum
Tarif standar Saat upaya penalaran maksimum menggunakan penyesuaian default

Tarif Ailoot

Harga menurut konfigurasi

KonfigurasiJadwal tarifBiaya
KonfigurasiTarif dasar tokenJadwal tarifTarif dasarBiaya
Masukan · Token masukan $0.00002 / 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-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

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-8b

Alias jalur metode

Gunakan jalur metode yang ditampilkan di atas.

ID pemanggil terkait

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": "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-8b" ], "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": 32768, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "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 Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian 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": "52f086ae5ff2e8c56f807ce16949f15af9a970638e00d7e82911f293d8f6ac8d", "input_html_sha256": "6ef71ff34defbbf7e337dafd500d126be6357bed88c63c6608e05afa4d6683a4", "private_audit_sha256": "71c6a21b4c518324ff4614b82f39c1f3d4e725433b66739129d0cac55a2dbf3f", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/id/qwen-qwen3-embedding-8b/", "description": "Qwen3-Embedding-8B mengubah teks menjadi vektor semantik untuk pencarian multibahasa, penelusuran kode, klasifikasi, dan pengelompokan. Model ini mendukung panjang urutan 32K token dan dimensi embedding khusus dari 32 hingga 4.096.", "locale": "id", "md_url": "https://ailoot.ai/models/id/qwen-qwen3-embedding-8b/index.md", "title": "Qwen: Qwen3 Embedding 8B — Ailoot", "url": "https://ailoot.ai/models/id/qwen-qwen3-embedding-8b/" }, "rawModel": { "about": "Qwen3-Embedding-8B adalah model embedding teks 8B Qwen, yang dibangun dari model fondasi Qwen3 dense. Model ini merepresentasikan teks sebagai vektor numerik alih-alih menghasilkan jawaban percakapan. Qwen mencantumkan penelusuran teks, penelusuran kode, klasifikasi, pengelompokan, dan penambangan teks paralel dwibahasa di antara bidang aplikasi yang didukung. Sistem pencarian dapat menggunakan vektor ini untuk membandingkan pertanyaan dengan bagian teks yang relevan; koleksi dokumen dapat menggunakannya untuk menemukan materi yang terkait secara semantik atau mengatur rekaman ke dalam kelompok.\n\nModel yang persis ini mendukung panjang urutan 32K token dan embedding hingga 4.096 dimensi. Model ini juga mendukung dimensi keluaran yang ditentukan pengguna dari 32 hingga 4.096 melalui Matryoshka Representation Learning. Dengan demikian, panjang vektor merupakan pilihan desain yang disengaja: vektor lebih pendek mengubah ukuran representasi, sedangkan keluaran penuh mempertahankan dimensionalitas maksimum model. Pertahankan dimensi pilihan yang konsisten untuk dokumen dan kueri yang dibandingkan dalam satu indeks. Qwen3-Embedding-4B merupakan edisi terpisah dengan dimensi maksimum berbeda, bukan sumber vektor yang dapat saling menggantikan untuk koleksi 8B yang sudah ada.\n\nProdusen menjelaskan dukungan untuk lebih dari 100 bahasa, termasuk bahasa pemrograman, serta penelusuran multibahasa, lintas bahasa, dan kode. Koleksi praktis dapat berisi dokumen dalam beberapa bahasa sementara kueri mencari makna yang relevan, atau bagian kode sumber yang diindeks untuk pertanyaan bahasa alami. Pertahankan pengenal penting, judul, dan istilah bidang dalam masukan. Untuk kode, pertahankan penjelasan di sekitar fungsi atau modul bersama cuplikan ketika konteks itu menjadi bagian dari pertanyaan. Keluarannya tetap berupa representasi vektor; mengembalikan teks dokumen yang cocok merupakan langkah berikutnya dari aplikasi pencarian.\n\nModel ini peka terhadap instruksi. Qwen merekomendasikan instruksi satu kalimat yang disesuaikan dengan tugas penelusuran dan, untuk penggunaan multibahasa, merekomendasikan penulisan instruksi tersebut dalam bahasa Inggris. Contoh langsungnya memformat kueri dengan Instruct: diikuti deskripsi tugas dan Query: diikuti pertanyaan. Dokumen yang ditelusuri tidak membutuhkan prefiks instruksi yang sama dalam contoh tersebut. Arahan awal yang sesuai dapat menjelaskan pencarian bagian teknis yang menerangkan kesalahan pengguna, lalu menempatkan deskripsi kesalahan tertentu dalam kueri. Instruksi menjelaskan jenis hubungan semantik yang sebaiknya diprioritaskan oleh pencarian.\n\nContoh Qwen mengodekan kueri dan dokumen secara terpisah, membandingkan vektornya menggunakan kemiripan kosinus, dan menunjukkan prosedur tingkat lebih rendah yang mengambil keadaan tersembunyi token terakhir serta menormalkan embedding sebelum perbandingan perkalian titik. Alur kerja yang berguna mempertahankan vektor setiap bagian teks terkait dengan pengenal sumbernya, membandingkan kueri yang disiapkan dengan vektor tersimpan, dan mengembalikan bagian teks yang bersesuaian menurut urutan kemiripan. Pengaturan pemotongan 8.192 token dalam contoh merupakan pengaturan pemrosesan masukan yang dipilih, berbeda dari panjang urutan 32K model yang didokumentasikan. Tinjau apa yang dipertahankan saat menyiapkan masukan panjang.\n\nModel embedding dan pemeringkatan ulang merupakan komponen berbeda dalam rilis Qwen. Model embedding merepresentasikan satu segmen teks dan memungkinkan pencarian kemiripan awal. Pemeringkat ulang terpisah mengevaluasi hubungan antara kueri dan bagian teks kandidat serta dapat menyempurnakan urutannya. Qwen menjelaskan penggabungan kedua modul, tetapi Qwen3-Embedding-8B sendiri mengembalikan embedding alih-alih penilaian relevansi pemeringkat ulang atau jawaban tertulis. Untuk penelusuran yang diikuti jawaban, pertahankan teks sumber yang cocok dan teruskan bukti tersebut ke tahap penjawaban. Pilih dan pertahankan model, dimensi, serta instruksi kueri yang konsisten untuk koleksi yang dicari.", "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": "Informasi lengkap harga konfigurasi tersedia di bagian detail." } ], "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": "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-8b" ], "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": 32768, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Tarif dasar token", "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 Fast", "value": "Tarif standar", "when": "Saat mode fast dipilih" }, { "label": "Mode Flex", "value": "Tarif standar", "when": "Saat mode flex dipilih" }, { "label": "Upaya penalaran maksimum", "value": "Tarif standar", "when": "Saat upaya penalaran maksimum menggunakan penyesuaian 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 mengubah teks menjadi vektor semantik untuk pencarian multibahasa, penelusuran kode, klasifikasi, dan pengelompokan. Model ini mendukung panjang urutan 32K token dan dimensi embedding khusus dari 32 hingga 4.096." }, "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 mengubah teks menjadi vektor semantik untuk pencarian multibahasa, penelusuran kode, klasifikasi, dan pengelompokan. Model ini mendukung panjang urutan 32K token dan dimensi embedding khusus dari 32 hingga 4.096.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "8b56adee6ba7b8916a98cb9f1c2d6502c5e4ff79fd05f331ccb1539d1c2239e4", "renderer_sha256": "2a0471475a29000c23db326ca1e315df73dee7524f6bc2907818ee3458813f2d" }, "sourceRevision": "b616f91aee423f1f020460e9c02eb6cd5e2f34f5a5ff7ccd2db5ed558517a024" }