Source: https://ailoot.ai/models/it/qwen-qwen3-embedding-8b/ Canonical: https://ailoot.ai/models/it/qwen-qwen3-embedding-8b/ Language: it # Qwen: Qwen3 Embedding 8B [Markdown](https://ailoot.ai/models/it/qwen-qwen3-embedding-8b/index.md) · [JSON](https://ailoot.ai/models/it/qwen-qwen3-embedding-8b/facts.json) ## [Qwen: Qwen3 Embedding 8B](https://ailoot.ai/models/it/qwen-qwen3-embedding-8b/) 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. - [**Ailoot Ultra · Embedding** `POST /v1/embeddings` `qwen/qwen3-embedding-8b`](https://ailoot.ai/models/it/qwen-qwen3-embedding-8b/#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-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. **Ailoot Ultra · Embedding** `POST /v1/embeddings` `qwen/qwen3-embedding-8b` [`qwen/qwen3-embedding-8b`](https://ailoot.ai/models/it/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings) 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 ### 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 | Campo | Tipo | Requisito | Valori e limiti | Predefinito | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObbligatorio | Valori e limiti qwen/qwen3-embedding-8b | 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 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 | Configurazione | Listino delle tariffe | Costo | | --- | --- | --- | | ConfigurazioneTariffe di base dei token | Listino delle tariffeTariffa base | Costo Input · Token in input **$0.00002** / 1K token Output · Token in output **$0** / 1K token Input · Lettura dalla cache **—** / 1K token Input · Scrittura nella cache **—** / 1K token Input · Scrittura nella cache, 1 ora **—** / 1K token | Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. [Come funzionano la prenotazione e l’addebito finale →](https://ailoot.ai/docs/it/billing/reserve/) ### Esempi di richieste #### Ailoot Ultra · Embedding curlPython SDK ```bash set -eu : "${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-8b", "input": ["First document", "Second document"]}') Path("request.json").write_text(json.dumps(p,ensure_ascii=False)) PY_REQUEST curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o result.json python3 - <<'PY_RESULT' import json from pathlib import Path r=json.loads(Path("result.json").read_text()) for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")})) PY_RESULT ``` ```python from openai import OpenAI import os client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0) result=client.embeddings.create(model='qwen/qwen3-embedding-8b',input=["First document","Second document"]) print(result) for item in result.data:print(item.index,item.embedding) ``` ### 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-8b`](https://ailoot.ai/models/it/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings) #### Alias dei percorsi dei metodi Usa i percorsi dei metodi indicati sopra. #### ID di chiamata correlati [`qwen/qwen3-embedding-8b`](https://ailoot.ai/models/it/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings) FAQ · Qwen: Qwen3 Embedding 8B Quali input e risultati sono disponibili? `POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `text`, `token_ids` → `embedding` Quali campi usa la richiesta? `POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `model`, `input`, `encoding_format`, `provider` Quali limiti si applicano? `POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `ctx`: `32768`; `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.