{ "aboutHtml": "

Qwen3-Embedding-8B è il modello di embedding testuale 8B di Qwen, costruito dal modello fondazionale denso Qwen3. Rappresenta il testo come vettori numerici anziché generare risposte conversazionali. Qwen elenca recupero testuale, recupero di codice, classificazione, clustering ed estrazione di testi paralleli tra le aree applicative supportate. Un sistema di ricerca può usare questi vettori per confrontare una domanda con passaggi pertinenti; una raccolta documentale può usarli per trovare materiale semanticamente correlato o organizzare record in gruppi.

Il modello esatto supporta una lunghezza di sequenza di 32K token ed embedding fino a 4096 dimensioni. Supporta inoltre dimensioni di output definite dall’utente da 32 a 4096 tramite Matryoshka Representation Learning. Ciò rende la lunghezza del vettore una scelta di progettazione intenzionale: un vettore più corto cambia la dimensione della rappresentazione, mentre l’output completo preserva la dimensionalità massima del modello. Mantieni coerente la dimensione scelta per documenti e query confrontati nello stesso indice. Qwen3-Embedding-4B è un’edizione separata con una dimensione massima diversa, anziché una fonte vettoriale intercambiabile per una raccolta 8B esistente.

Il produttore descrive il supporto per oltre 100 lingue, compresi linguaggi di programmazione, e per recupero multilingue, tra lingue diverse e nel codice. Una raccolta concreta può contenere documenti in diverse lingue mentre le query cercano il significato pertinente, oppure passaggi di codice sorgente indicizzati per una domanda in linguaggio naturale. Preserva nell’input identificatori importanti, titoli e termini di dominio. Per il codice, mantieni con l’estratto la spiegazione che circonda la funzione o il modulo quando quel contesto fa parte della domanda. L’output rimane una rappresentazione vettoriale; restituire il testo del documento corrispondente è il passaggio successivo dell’applicazione di ricerca.

Il modello tiene conto delle istruzioni. Qwen raccomanda un’istruzione di una frase adattata all’attività di recupero e, per l’uso multilingue, raccomanda di scriverla in inglese. L’esempio diretto formatta una query con Instruct: seguito dalla descrizione dell’attività e Query: seguito dalla domanda. Nell’esempio, i documenti da recuperare non richiedono lo stesso prefisso di istruzione. Un brief originale adatto potrebbe descrivere la ricerca di passaggi tecnici che spiegano un errore dell’utente, poi inserire nella query la descrizione specifica dell’errore. L’istruzione descrive quale tipo di relazione semantica dovrebbe essere favorito dalla ricerca.

Gli esempi di Qwen codificano separatamente query e documenti, confrontano i vettori tramite similarità del coseno e mostrano una procedura di livello inferiore che usa lo stato nascosto del token finale come rappresentazione aggregata e normalizza l’embedding prima di un confronto a prodotto scalare. Un flusso utile mantiene il vettore di ogni passaggio collegato all’identificatore della fonte, confronta una query preparata con i vettori memorizzati e restituisce i passaggi corrispondenti in ordine di similarità. L’impostazione di troncamento a 8192 token dell’esempio è una scelta di elaborazione dell’input, distinta dalla lunghezza di sequenza documentata di 32K del modello. Verifica che cosa viene conservato quando prepari input lunghi.

I modelli di embedding e reranking sono componenti diversi della release di Qwen. Un modello di embedding rappresenta un segmento di testo e permette una ricerca iniziale per similarità. Un reranker separato valuta il rapporto tra una query e passaggi candidati e può affinarne l’ordine. Qwen descrive la combinazione dei due moduli, ma Qwen3-Embedding-8B stesso restituisce embedding anziché un giudizio di pertinenza del reranker o una risposta scritta. Per il recupero seguito da una risposta, conserva il testo di origine corrispondente e passa quell’evidenza alla fase di risposta. Scegli e mantieni coerenti modello, dimensione e istruzione della query per la raccolta in cui viene effettuata la ricerca.

", "aboutText": "Qwen3-Embedding-8B è il modello di embedding testuale 8B di Qwen, costruito dal modello fondazionale denso Qwen3. Rappresenta il testo come vettori numerici anziché generare risposte conversazionali. Qwen elenca recupero testuale, recupero di codice, classificazione, clustering ed estrazione di testi paralleli tra le aree applicative supportate. Un sistema di ricerca può usare questi vettori per confrontare una domanda con passaggi pertinenti; una raccolta documentale può usarli per trovare materiale semanticamente correlato o organizzare record in gruppi.\n\nIl modello esatto supporta una lunghezza di sequenza di 32K token ed embedding fino a 4096 dimensioni. Supporta inoltre dimensioni di output definite dall’utente da 32 a 4096 tramite Matryoshka Representation Learning. Ciò rende la lunghezza del vettore una scelta di progettazione intenzionale: un vettore più corto cambia la dimensione della rappresentazione, mentre l’output completo preserva la dimensionalità massima del modello. Mantieni coerente la dimensione scelta per documenti e query confrontati nello stesso indice. Qwen3-Embedding-4B è un’edizione separata con una dimensione massima diversa, anziché una fonte vettoriale intercambiabile per una raccolta 8B esistente.\n\nIl produttore descrive il supporto per oltre 100 lingue, compresi linguaggi di programmazione, e per recupero multilingue, tra lingue diverse e nel codice. Una raccolta concreta può contenere documenti in diverse lingue mentre le query cercano il significato pertinente, oppure passaggi di codice sorgente indicizzati per una domanda in linguaggio naturale. Preserva nell’input identificatori importanti, titoli e termini di dominio. Per il codice, mantieni con l’estratto la spiegazione che circonda la funzione o il modulo quando quel contesto fa parte della domanda. L’output rimane una rappresentazione vettoriale; restituire il testo del documento corrispondente è il passaggio successivo dell’applicazione di ricerca.\n\nIl modello tiene conto delle istruzioni. Qwen raccomanda un’istruzione di una frase adattata all’attività di recupero e, per l’uso multilingue, raccomanda di scriverla in inglese. L’esempio diretto formatta una query con Instruct: seguito dalla descrizione dell’attività e Query: seguito dalla domanda. Nell’esempio, i documenti da recuperare non richiedono lo stesso prefisso di istruzione. Un brief originale adatto potrebbe descrivere la ricerca di passaggi tecnici che spiegano un errore dell’utente, poi inserire nella query la descrizione specifica dell’errore. L’istruzione descrive quale tipo di relazione semantica dovrebbe essere favorito dalla ricerca.\n\nGli esempi di Qwen codificano separatamente query e documenti, confrontano i vettori tramite similarità del coseno e mostrano una procedura di livello inferiore che usa lo stato nascosto del token finale come rappresentazione aggregata e normalizza l’embedding prima di un confronto a prodotto scalare. Un flusso utile mantiene il vettore di ogni passaggio collegato all’identificatore della fonte, confronta una query preparata con i vettori memorizzati e restituisce i passaggi corrispondenti in ordine di similarità. L’impostazione di troncamento a 8192 token dell’esempio è una scelta di elaborazione dell’input, distinta dalla lunghezza di sequenza documentata di 32K del modello. Verifica che cosa viene conservato quando prepari input lunghi.\n\nI modelli di embedding e reranking sono componenti diversi della release di Qwen. Un modello di embedding rappresenta un segmento di testo e permette una ricerca iniziale per similarità. Un reranker separato valuta il rapporto tra una query e passaggi candidati e può affinarne l’ordine. Qwen descrive la combinazione dei due moduli, ma Qwen3-Embedding-8B stesso restituisce embedding anziché un giudizio di pertinenza del reranker o una risposta scritta. Per il recupero seguito da una risposta, conserva il testo di origine corrispondente e passa quell’evidenza alla fase di risposta. Scegli e mantieni coerenti modello, dimensione e istruzione della query per la raccolta in cui viene effettuata la ricerca.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b092ae73bacbd2f64ecda9b9ca1c7dcb7dcad60863ad6c5bf7dc4ea213d7eceb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "
Al

Qwen: Qwen3 Embedding 8B

Alibaba /qwen/qwen3-embedding-8b

Introduzione

Qwen3-Embedding-8B trasforma testo in vettori semantici per ricerca multilingue, recupero di codice, classificazione e clustering. Supporta una lunghezza di sequenza di 32K token e dimensioni di embedding personalizzate da 32 a 4096.

Input accettati
Testo · token_ids
Risultati
embedding
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-8B è il modello di embedding testuale 8B di Qwen, costruito dal modello fondazionale denso Qwen3. Rappresenta il testo come vettori numerici anziché generare risposte conversazionali. Qwen elenca recupero testuale, recupero di codice, classificazione, clustering ed estrazione di testi paralleli tra le aree applicative supportate. Un sistema di ricerca può usare questi vettori per confrontare una domanda con passaggi pertinenti; una raccolta documentale può usarli per trovare materiale semanticamente correlato o organizzare record in gruppi.

Il modello esatto supporta una lunghezza di sequenza di 32K token ed embedding fino a 4096 dimensioni. Supporta inoltre dimensioni di output definite dall’utente da 32 a 4096 tramite Matryoshka Representation Learning. Ciò rende la lunghezza del vettore una scelta di progettazione intenzionale: un vettore più corto cambia la dimensione della rappresentazione, mentre l’output completo preserva la dimensionalità massima del modello. Mantieni coerente la dimensione scelta per documenti e query confrontati nello stesso indice. Qwen3-Embedding-4B è un’edizione separata con una dimensione massima diversa, anziché una fonte vettoriale intercambiabile per una raccolta 8B esistente.

Il produttore descrive il supporto per oltre 100 lingue, compresi linguaggi di programmazione, e per recupero multilingue, tra lingue diverse e nel codice. Una raccolta concreta può contenere documenti in diverse lingue mentre le query cercano il significato pertinente, oppure passaggi di codice sorgente indicizzati per una domanda in linguaggio naturale. Preserva nell’input identificatori importanti, titoli e termini di dominio. Per il codice, mantieni con l’estratto la spiegazione che circonda la funzione o il modulo quando quel contesto fa parte della domanda. L’output rimane una rappresentazione vettoriale; restituire il testo del documento corrispondente è il passaggio successivo dell’applicazione di ricerca.

Il modello tiene conto delle istruzioni. Qwen raccomanda un’istruzione di una frase adattata all’attività di recupero e, per l’uso multilingue, raccomanda di scriverla in inglese. L’esempio diretto formatta una query con Instruct: seguito dalla descrizione dell’attività e Query: seguito dalla domanda. Nell’esempio, i documenti da recuperare non richiedono lo stesso prefisso di istruzione. Un brief originale adatto potrebbe descrivere la ricerca di passaggi tecnici che spiegano un errore dell’utente, poi inserire nella query la descrizione specifica dell’errore. L’istruzione descrive quale tipo di relazione semantica dovrebbe essere favorito dalla ricerca.

Gli esempi di Qwen codificano separatamente query e documenti, confrontano i vettori tramite similarità del coseno e mostrano una procedura di livello inferiore che usa lo stato nascosto del token finale come rappresentazione aggregata e normalizza l’embedding prima di un confronto a prodotto scalare. Un flusso utile mantiene il vettore di ogni passaggio collegato all’identificatore della fonte, confronta una query preparata con i vettori memorizzati e restituisce i passaggi corrispondenti in ordine di similarità. L’impostazione di troncamento a 8192 token dell’esempio è una scelta di elaborazione dell’input, distinta dalla lunghezza di sequenza documentata di 32K del modello. Verifica che cosa viene conservato quando prepari input lunghi.

I modelli di embedding e reranking sono componenti diversi della release di Qwen. Un modello di embedding rappresenta un segmento di testo e permette una ricerca iniziale per similarità. Un reranker separato valuta il rapporto tra una query e passaggi candidati e può affinarne l’ordine. Qwen descrive la combinazione dei due moduli, ma Qwen3-Embedding-8B stesso restituisce embedding anziché un giudizio di pertinenza del reranker o una risposta scritta. Per il recupero seguito da una risposta, conserva il testo di origine corrispondente e passa quell’evidenza alla fase di risposta. Scegli e mantieni coerenti modello, dimensione e istruzione della query per la raccolta in cui viene effettuata la ricerca.

Disponibile in Ailoot · input e metodi

Ailoot Ultra · Embedding POST /v1/embeddings
Tipi di input
text, token_ids
Tipi di output
embedding
Contesto
32.768 tokens
Formato di output
json
CampoTipoRequisitoValori e limitiPredefinito
CampomodelTipostringRequisitoObbligatorioValori e limiti
qwen/qwen3-embedding-8b
Predefinito—
CampoinputTipostring|string[]|integer[]|integer[][]RequisitoObbligatorioValori 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—
Campoencoding_formatTipostringRequisitoFacoltativoValori e limiti
float
Predefinitofloat
CampodimensionsTipointegerRequisitoNon supportatoValori e limiti
Minimo: 1
Predefinito—
CampouserTipojson_valueRequisitoFacoltativoValori e limiti
Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.
Predefinito—
Camposession_idTipojson_valueRequisitoFacoltativoValori e limiti
Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.
Predefinito—
CampotraceTipojson_valueRequisitoFacoltativoValori e limiti
Condizioni: La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.
Predefinito—
CampoproviderTipoobjectRequisitoFacoltativoValori e limiti
Condizioni: provider.options rifiutato
Predefinito—
Combinazioni di materiali in input

text_to_embedding

Parametri e ciclo di vita del metodo
ParametroContratto
Parametrocontent_typeContrattoapplication/json
ParametrorequiredContrattomodel, input
Parametroinput_shapesContrattostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parametroencoding_formatContrattofloat
Parametrodimensions_overrideContrattofalse
Parametromax_input_budget_unitsContratto32768
Parametromultimodal_objectsContrattofalse
Parametromaterial_typesContrattotext, 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
Tariffa standard Quando è selezionata la modalità rapida
Modalità flex
Tariffa standard Quando è selezionata la modalità flex
Sforzo massimo di ragionamento
Tariffa standard Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (default)

Tariffe Ailoot

Prezzi per configurazione

ConfigurazioneListino delle tariffeCosto
ConfigurazioneTariffe di base dei tokenListino delle tariffeTariffa baseCosto
Input · Token in input $0.00002 / 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 →

Esempi di richieste

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

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
CampoTipo
CampoobjectTipostring
CampomodelTipostring
Campodata[].indexTipointeger
Campodata[].embeddingTipofinite float[]
CampousageTipoobject
Errori e passaggi successivi
RispostaCondizionePassaggio successivo
Risposta400 · invalid_request_errorCondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validiPassaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione.

Alias

Alias del modello

Ailoot Ultra qwen/qwen3-embedding-8b

Alias dei percorsi dei metodi

Usa i percorsi dei metodi indicati sopra.

ID di chiamata correlati

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": "Campi obbligatori, rappresentazione del materiale o valore del parametro non validi", "http_status": 400, "recovery": "Correggi i campi indicati prima di una nuova richiesta di creazione.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Non viene introdotto alcun endpoint per i job di embedding." }, "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": "Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.", "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": "elementi dell’array di token" }, "conditions": "Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi.", "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": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options rifiutato", "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": [ "Conserva l'indice e la dimensione di ogni vettore.", "Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico." ], "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": "Tariffe di base dei 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": "Modalità rapida", "value": "Tariffa standard", "when": "Quando è selezionata la modalità rapida" }, { "label": "Modalità flex", "value": "Tariffa standard", "when": "Quando è selezionata la modalità flex" }, { "label": "Sforzo massimo di ragionamento", "value": "Tariffa standard", "when": "Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (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": "e88477978ff7f7b35bd15e341a29efcf4fcfb466d11e0967af8a43e932b5ef74", "input_html_sha256": "746f99b16b2b9d022661215b2b915d1c65179008f23ff9c0e482cda107cf9ad9", "private_audit_sha256": "6d6ee9c2711a0b036082c677b87fac24ed3095300edd565a2c75b45f9949e054", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/it/qwen-qwen3-embedding-8b/", "description": "Qwen3-Embedding-8B trasforma testo in vettori semantici per ricerca multilingue, recupero di codice, classificazione e clustering. Supporta una lunghezza di sequenza di 32K token e dimensioni di embedding personalizzate da 32 a 4096.", "locale": "it", "md_url": "https://ailoot.ai/models/it/qwen-qwen3-embedding-8b/index.md", "title": "Qwen: Qwen3 Embedding 8B — Ailoot", "url": "https://ailoot.ai/models/it/qwen-qwen3-embedding-8b/" }, "rawModel": { "about": "Qwen3-Embedding-8B è il modello di embedding testuale 8B di Qwen, costruito dal modello fondazionale denso Qwen3. Rappresenta il testo come vettori numerici anziché generare risposte conversazionali. Qwen elenca recupero testuale, recupero di codice, classificazione, clustering ed estrazione di testi paralleli tra le aree applicative supportate. Un sistema di ricerca può usare questi vettori per confrontare una domanda con passaggi pertinenti; una raccolta documentale può usarli per trovare materiale semanticamente correlato o organizzare record in gruppi.\n\nIl modello esatto supporta una lunghezza di sequenza di 32K token ed embedding fino a 4096 dimensioni. Supporta inoltre dimensioni di output definite dall’utente da 32 a 4096 tramite Matryoshka Representation Learning. Ciò rende la lunghezza del vettore una scelta di progettazione intenzionale: un vettore più corto cambia la dimensione della rappresentazione, mentre l’output completo preserva la dimensionalità massima del modello. Mantieni coerente la dimensione scelta per documenti e query confrontati nello stesso indice. Qwen3-Embedding-4B è un’edizione separata con una dimensione massima diversa, anziché una fonte vettoriale intercambiabile per una raccolta 8B esistente.\n\nIl produttore descrive il supporto per oltre 100 lingue, compresi linguaggi di programmazione, e per recupero multilingue, tra lingue diverse e nel codice. Una raccolta concreta può contenere documenti in diverse lingue mentre le query cercano il significato pertinente, oppure passaggi di codice sorgente indicizzati per una domanda in linguaggio naturale. Preserva nell’input identificatori importanti, titoli e termini di dominio. Per il codice, mantieni con l’estratto la spiegazione che circonda la funzione o il modulo quando quel contesto fa parte della domanda. L’output rimane una rappresentazione vettoriale; restituire il testo del documento corrispondente è il passaggio successivo dell’applicazione di ricerca.\n\nIl modello tiene conto delle istruzioni. Qwen raccomanda un’istruzione di una frase adattata all’attività di recupero e, per l’uso multilingue, raccomanda di scriverla in inglese. L’esempio diretto formatta una query con Instruct: seguito dalla descrizione dell’attività e Query: seguito dalla domanda. Nell’esempio, i documenti da recuperare non richiedono lo stesso prefisso di istruzione. Un brief originale adatto potrebbe descrivere la ricerca di passaggi tecnici che spiegano un errore dell’utente, poi inserire nella query la descrizione specifica dell’errore. L’istruzione descrive quale tipo di relazione semantica dovrebbe essere favorito dalla ricerca.\n\nGli esempi di Qwen codificano separatamente query e documenti, confrontano i vettori tramite similarità del coseno e mostrano una procedura di livello inferiore che usa lo stato nascosto del token finale come rappresentazione aggregata e normalizza l’embedding prima di un confronto a prodotto scalare. Un flusso utile mantiene il vettore di ogni passaggio collegato all’identificatore della fonte, confronta una query preparata con i vettori memorizzati e restituisce i passaggi corrispondenti in ordine di similarità. L’impostazione di troncamento a 8192 token dell’esempio è una scelta di elaborazione dell’input, distinta dalla lunghezza di sequenza documentata di 32K del modello. Verifica che cosa viene conservato quando prepari input lunghi.\n\nI modelli di embedding e reranking sono componenti diversi della release di Qwen. Un modello di embedding rappresenta un segmento di testo e permette una ricerca iniziale per similarità. Un reranker separato valuta il rapporto tra una query e passaggi candidati e può affinarne l’ordine. Qwen descrive la combinazione dei due moduli, ma Qwen3-Embedding-8B stesso restituisce embedding anziché un giudizio di pertinenza del reranker o una risposta scritta. Per il recupero seguito da una risposta, conserva il testo di origine corrispondente e passa quell’evidenza alla fase di risposta. Scegli e mantieni coerenti modello, dimensione e istruzione della query per la raccolta in cui viene effettuata la ricerca.", "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": "Tutte le tariffe della configurazione sono riportate nei dettagli." } ], "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": "Campi obbligatori, rappresentazione del materiale o valore del parametro non validi", "http_status": 400, "recovery": "Correggi i campi indicati prima di una nuova richiesta di creazione.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Non viene introdotto alcun endpoint per i job di embedding." }, "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": "Conserva ogni vettore con il suo indice. Il numero di vettori deve coincidere con il numero di input; le dimensioni devono essere coerenti.", "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": "elementi dell’array di token" }, "conditions": "Batch omogeneo non vuoto. Gli ID dei token sono numeri interi non negativi.", "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": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "La fonte consente questo campo di metadati JSON; la semantica esatta del fornitore a monte dipende dal modello.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options rifiutato", "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": [ "Conserva l'indice e la dimensione di ogni vettore.", "Il nome del modello multimodale non consente oggetti immagine su questo percorso specifico." ], "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": "Tariffe di base dei 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": "Modalità rapida", "value": "Tariffa standard", "when": "Quando è selezionata la modalità rapida" }, { "label": "Modalità flex", "value": "Tariffa standard", "when": "Quando è selezionata la modalità flex" }, { "label": "Sforzo massimo di ragionamento", "value": "Tariffa standard", "when": "Quando lo sforzo massimo di ragionamento usa l'adeguamento predefinito (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 trasforma testo in vettori semantici per ricerca multilingue, recupero di codice, classificazione e clustering. Supporta una lunghezza di sequenza di 32K token e dimensioni di embedding personalizzate da 32 a 4096." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Qwen3-Embedding-8B trasforma testo in vettori semantici per ricerca multilingue, recupero di codice, classificazione e clustering. Supporta una lunghezza di sequenza di 32K token e dimensioni di embedding personalizzate da 32 a 4096.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "e978d20630b0d46cceb614079a24df9cac7711d4d96c91db79a5a16a3fe86ac8", "renderer_sha256": "3be1a96012c3c76b38a7b9bea6a57c0def38c56103737bee6a5e77aaa75e488a" }, "sourceRevision": "2c0bf41b6c6d9b135e574fa31f43be3366dbbec8c7ad01dfdf966cf3d621b6bf" }