Source: https://ailoot.ai/models/it/qwen-qwen3-embedding-4b/ Canonical: https://ailoot.ai/models/it/qwen-qwen3-embedding-4b/ Language: it # Qwen: Qwen3 Embedding 4B [Markdown](https://ailoot.ai/models/it/qwen-qwen3-embedding-4b/index.md) · [JSON](https://ailoot.ai/models/it/qwen-qwen3-embedding-4b/facts.json) ## [Qwen: Qwen3 Embedding 4B](https://ailoot.ai/models/it/qwen-qwen3-embedding-4b/) Qwen3-Embedding-4B rappresenta il testo come vettori semantici per il recupero multilingue, la ricerca di codice, la classificazione e il clustering. Questo modello 4B supporta sequenze di 32K token e dimensioni vettoriali personalizzate da 32 a 2.560. - [**Ailoot Ultra · Embedding** `POST /v1/embeddings` `qwen/qwen3-embedding-4b`](https://ailoot.ai/models/it/qwen-qwen3-embedding-4b/#method-0) Informazioni sul modello Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito. Qwen3-Embedding-4B è l’edizione 4B per gli embedding testuali nella famiglia di modelli di embedding e riordinamento di Qwen. Basato sul modello denso di base Qwen3, converte un segmento di testo in una rappresentazione numerica del suo significato. Qwen indica come ambiti di applicazione il recupero di testi e codice, la classificazione, il clustering e l’estrazione di coppie di testi paralleli. È utile quando un’applicazione deve trovare passaggi correlati, raggruppare record simili o confrontare testi in lingue diverse. L’output del modello è un vettore di embedding, non una risposta conversazionale o un documento riscritto. Questa specifica edizione ha una lunghezza di sequenza di 32K token e una dimensione degli embedding fino a 2.560. Supporta dimensioni di output personalizzate da 32 a 2.560 tramite Matryoshka Representation Learning. La lunghezza del vettore scelta influisce sul modo in cui la rappresentazione viene memorizzata e confrontata, quindi mantienila coerente tra i vettori delle query e quelli dei documenti nella stessa raccolta. Qwen3-Embedding-8B ha una dimensione del modello diversa e un massimo di 4.096 dimensioni; né quella dimensione dell’output né l’identità del modello 8B si trasferiscono a questa edizione 4B. Un indice esistente dovrebbe mantenere le proprie scelte coerenti di rappresentazione. Il produttore descrive il supporto per oltre 100 lingue, compresi i linguaggi di programmazione, con recupero multilingue, tra lingue diverse e di codice. Un esempio di ricerca in un centro assistenza può confrontare la domanda di un utente con passaggi scritti in più lingue, poi restituire i passaggi originali che corrispondono all’argomento. Una ricerca di codice può confrontare una descrizione in linguaggio naturale con funzioni pertinenti e la loro documentazione. Conserva titoli significativi, termini di dominio e identificatori quando prepari il testo, e mantieni ogni passaggio rappresentato collegato alla sua fonte, così l’applicazione può mostrare il materiale corrispondente. Qwen3-Embedding-4B tiene conto delle istruzioni. Qwen consiglia di dare a ogni query una descrizione del compito in una frase, adattata alla relazione di recupero desiderata, e raccomanda istruzioni in inglese per gli scenari multilingue. L’esempio diretto inserisce Instruct: prima della descrizione del compito e Query: prima del testo della query. I documenti da recuperare vengono codificati senza quell’istruzione della query. Un’istruzione pratica originale può chiedere di trovare passaggi della documentazione che spiegano un errore segnalato o estratti di codice sorgente che implementano il comportamento descritto. Questo orienta la rappresentazione verso la domanda dell’applicazione, anziché chiedere al modello di scrivere una risposta. Gli esempi ufficiali codificano i testi delle query e dei documenti, confrontano i loro embedding tramite similarità coseno e mostrano il pooling dello stato nascosto dell’ultimo token seguito dalla normalizzazione. In quell’esempio di livello inferiore, l’input viene troncato all’impostazione scelta di 8.192 token; la lunghezza di sequenza documentata del modello rimane 32K. Per materiale lungo, decidi quali passaggi rappresentare e assicurati che il troncamento non elimini silenziosamente la parte necessaria alla query. Memorizza i vettori con riferimenti stabili alle fonti, confronta la query preparata con la raccolta e restituisci i passaggi associati in ordine di similarità. Il modello di embedding di Qwen usa un approccio dual-encoder, mentre i modelli separati di riordinamento usano un cross-encoder per valutare coppie query-documento. Il rilascio descrive l’uso combinato di questi moduli: gli embedding trovano i candidati iniziali e un reranker può poi affinarne l’ordine. Qwen3-Embedding-4B fornisce di per sé la rappresentazione di un singolo testo. Il suo vettore non è un punteggio di reranking, un’affermazione verificata o una risposta generata. Se il flusso finale risponde a domande usando materiale recuperato, i passaggi selezionati restano le evidenze trasmesse alla fase successiva. **Ailoot Ultra · Embedding** `POST /v1/embeddings` `qwen/qwen3-embedding-4b` [`qwen/qwen3-embedding-4b`](https://ailoot.ai/models/it/#m=qwen%2Fqwen3-embedding-4b&route=Ultra&caller=qwen%2Fqwen3-embedding-4b&fmt=embeddings) Alibaba /`qwen/qwen3-embedding-4b` ### Introduzione Qwen3-Embedding-4B rappresenta il testo come vettori semantici per il recupero multilingue, la ricerca di codice, la classificazione e il clustering. Questo modello 4B supporta sequenze di 32K token e dimensioni vettoriali personalizzate da 32 a 2.560. Input accettati Testo · token\_ids Risultati embedding ### Disponibile in Ailoot · input e metodi **Ailoot Ultra · Embedding** `POST /v1/embeddings` Tipi di input `text`, `token_ids` Tipi di output `embedding` Formato di output json | Campo | Tipo | Requisito | Valori e limiti | Predefinito | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObbligatorio | Valori e limiti qwen/qwen3-embedding-4b | Predefinito— | | Campo`input` | Tipo`string\|string[]\|integer[]\|integer[][]` | RequisitoObbligatorio | Valori e limiti Numero minimo di elementi: 1 Condizioni: Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi. Budget di input: Massimo: 32.768 · Unità di testo: byte UTF8 · Unità di token: elementi dell’array di token | Predefinito— | | Campo`encoding_format` | Tipo`string` | RequisitoFacoltativo | Valori e limiti float | Predefinitofloat | | Campo`dimensions` | Tipo`integer` | RequisitoNon supportato | Valori e limiti Minimo: 1 | Predefinito— | | Campo`user` | Tipo`json_value` | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— | | Campo`session_id` | Tipo`json_value` | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— | | Campo`trace` | Tipo`json_value` | RequisitoFacoltativo | Valori e limiti Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello. | Predefinito— | | Campo`provider` | Tipo`object` | RequisitoFacoltativo | Valori e limiti Condizioni: provider.options rifiutato | Predefinito— | Combinazioni di materiali in input **text\_to\_embedding** Parametri e ciclo di vita del metodo | Parametro | Contratto | | --- | --- | | Parametro`content_type` | Contrattoapplication/json | | Parametro`required` | Contrattomodel, input | | Parametro`input_shapes` | Contrattostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parametro`encoding_format` | Contrattofloat | | Parametro`dimensions_override` | Contrattofalse | | Parametro`max_input_budget_units` | Contratto32768 | | Parametro`multimodal_objects` | Contrattofalse | | Parametro`material_types` | Contrattotext, token\_ids | Ciclo di vita: `synchronous_json` Conserva l'indice e la dimensione di ogni vettore. Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico. ### Tariffe Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato. Modalità rapida Non specificato Quando è selezionata la modalità rapida Modalità flex Non specificato Quando è selezionata la modalità flex Sforzo massimo di ragionamento Non specificato Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (default) #### Tariffe Ailoot #### Prezzi per configurazione | Configurazione | Listino delle tariffe | Costo | | --- | --- | --- | | ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input **$0.00004** / 1K token Output · Token in output **$0** / 1K token Input · Lettura dalla cache **—** / 1K token Input · Scrittura nella cache **—** / 1K token Input · Scrittura nella cache, 1 ora **—** / 1K token | Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. [Come funzionano la prenotazione e l’addebito finale →](https://ailoot.ai/docs/it/billing/reserve/) ### Esempi di richieste #### Ailoot Ultra · Embedding curlPython SDK ```bash set -eu : "${AILOOT_API_KEY:?Set your Ailoot API key}" python3 - <<'PY_REQUEST' import json,os from pathlib import Path p=json.loads('{"model": "qwen/qwen3-embedding-4b", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='qwen/qwen3-embedding-4b',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### Ricevi e salva i risultati #### Ailoot Ultra · Embedding json ##### Conserva tutti i risultati completati Conserva ogni risposta, file e parte di contenuto restituiti per intero. Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti. ##### Se occorre verificare la risposta originale Non viene introdotto alcun endpoint per i job di embedding. Campi della risposta | Campo | Tipo | | --- | --- | | Campo`object` | Tipostring | | Campo`model` | Tipostring | | Campo`data[].index` | Tipointeger | | Campo`data[].embedding` | Tipofinite float\[\] | | Campo`usage` | Tipoobject | Errori e passaggi successivi | Risposta | Condizione | Passaggio successivo | | --- | --- | --- | | Risposta400 · `invalid_request_error` | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. | ### Alias #### Alias del modello **Ailoot Ultra** [`qwen/qwen3-embedding-4b`](https://ailoot.ai/models/it/#m=qwen%2Fqwen3-embedding-4b&route=Ultra&caller=qwen%2Fqwen3-embedding-4b&fmt=embeddings) #### Alias dei percorsi dei metodi Usa i percorsi dei metodi indicati sopra. #### ID di chiamata correlati [`qwen/qwen3-embedding-4b`](https://ailoot.ai/models/it/#m=qwen%2Fqwen3-embedding-4b&route=Ultra&caller=qwen%2Fqwen3-embedding-4b&fmt=embeddings) FAQ · Qwen: Qwen3 Embedding 4B Quali input e risultati sono disponibili? `POST /v1/embeddings` · `qwen/qwen3-embedding-4b`: `text`, `token_ids` → `embedding` Quali campi usa la richiesta? `POST /v1/embeddings` · `qwen/qwen3-embedding-4b`: `model`, `input`, `encoding_format`, `provider` Quali limiti si applicano? `POST /v1/embeddings` · `qwen/qwen3-embedding-4b`: `input.budget.maximum`: `32768` (byte UTF8); `input.min_items`: `1` Collega Ailoot a Claude Code, OpenCode, Hermes o alla tua applicazione. ## L’azienda e il suo portafoglio di progetti L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese. ## Acquista token con uno sconto. Sconto con abbonamento per lavoro regolare. Codici fino al 50% sull’acquisto di token. Abbonamento Scegli un piano scontato per richieste regolari. Codice fino al 50% Inserisci il codice all’acquisto. Il prezzo si aggiorna secondo la promozione. Spese nella cronologia Modello, token e importo sono salvati per ogni richiesta. [Scegli abbonamento](https://ailoot.ai/docs/it/billing/subscriptions/) · [Consulta prezzi dei modelli](https://ailoot.ai/models/it/) ## Collega l’API al prodotto che vendi. SaaS, app e bot secondo offerta e accordo di licenza Ailoot. Per rivendere, richiedi una licenza reseller. Applicazione commerciale Integra generazione di testo, immagini, video e suono nelle funzioni a pagamento. Licenza reseller Invia descrizione del progetto e schema di accesso. Richiedi condizioni scritte per uso e rivendita. Documenti sul sito Offerta, accordo di licenza e politica sui dati sono disponibili prima della connessione. [Richiedi licenza reseller](mailto:support@ailoot.ai) · [Offerta e accordo di licenza](https://ailoot.ai/legal/offer?lang=it) ## Ailoot · L’azienda e il suo portafoglio di progetti Ailoot si basa su un’esperienza operativa consolidata, un’ampia base di clienti, un servizio stabile e un controllo costante dei KPI. L’azienda e il suo portafoglio di progetti: milioni di clienti; vendite nell’ordine dei miliardi ogni mese. Ailoot mette questa esperienza operativa al servizio dell’accesso API alle funzioni AI nei prodotti dei clienti, negli agenti, nelle applicazioni e nelle automazioni.