Qwen: Qwen3 Embedding 4B
Qwen3-Embedding-4B mewakili teks sebagai vektor semantik untuk perolehan maklumat berbilang bahasa, carian kod, pengelasan dan pengelompokan. Model 4B ini menyokong panjang jujukan 32K token dan dimensi vektor tersuai dari 32 hingga 2,560.
Tentang model
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-Embedding-4B ialah edisi pembenaman teks 4B dalam keluarga pembenaman dan pemeringkatan semula Qwen. Dibina berasaskan model asas Qwen3 berstruktur padat, ia menukar segmen teks kepada representasi berangka bagi maknanya. Qwen menyenaraikan perolehan teks, perolehan kod, pengelasan, pengelompokan dan perlombongan bitext sebagai bidang aplikasi. Ia berguna apabila aplikasi perlu mencari petikan yang berkaitan, mengumpulkan rekod yang serupa atau membandingkan teks merentas bahasa. Output model ialah vektor pembenaman, bukannya respons perbualan atau dokumen yang ditulis semula.
Edisi khusus ini mempunyai panjang jujukan 32K token dan dimensi pembenaman sehingga 2,560. Ia menyokong dimensi output tersuai dari 32 hingga 2,560 melalui Matryoshka Representation Learning. Panjang vektor yang dipilih mempengaruhi cara representasi disimpan dan dibandingkan, jadi kekalkan panjang yang sama antara vektor pertanyaan dengan vektor dokumen dalam satu koleksi. Qwen3-Embedding-8B mempunyai saiz model yang berbeza dan dimensi maksimum 4,096; saiz output itu mahupun identiti model 8B tidak terpakai pada edisi 4B ini. Indeks sedia ada perlu mengekalkan pilihan representasinya yang konsisten.
Pengeluar menerangkan sokongan untuk lebih daripada 100 bahasa, termasuk bahasa pengaturcaraan, dengan perolehan maklumat berbilang bahasa, rentas bahasa dan kod. Contoh carian pusat bantuan boleh membandingkan soalan pengguna dengan petikan yang ditulis dalam beberapa bahasa, kemudian mengembalikan petikan asal yang sepadan dengan topik. Carian kod boleh membandingkan penerangan bahasa semula jadi dengan fungsi yang berkaitan dan dokumentasinya. Kekalkan tajuk yang bermakna, istilah bidang dan pengecam semasa menyediakan teks, serta kekalkan perkaitan setiap petikan yang diwakili dengan sumbernya supaya aplikasi boleh memaparkan bahan yang sepadan.
Qwen3-Embedding-4B mengambil kira arahan. Qwen mengesyorkan supaya setiap pertanyaan disertai penerangan tugasan sepanjang satu ayat yang disesuaikan dengan hubungan perolehan maklumat yang dimaksudkan, dan mengesyorkan arahan dalam bahasa Inggeris untuk senario berbilang bahasa. Contoh langsung meletakkan Instruct: sebelum penerangan tugasan dan Query: sebelum teks pertanyaan. Dokumen perolehannya dikodkan tanpa arahan pertanyaan tersebut. Arahan asal yang praktikal boleh menetapkan pencarian petikan dokumentasi yang menerangkan ralat yang dilaporkan atau petikan kod sumber yang melaksanakan tingkah laku yang dihuraikan. Ini mengarahkan representasi kepada soalan aplikasi, bukannya meminta model menulis jawapan.
Contoh rasmi mengekodkan teks pertanyaan dan dokumen, membandingkan pembenamannya menggunakan keserupaan kosinus dan menunjukkan pooling keadaan tersembunyi token terakhir yang diikuti penormalan. Dalam contoh peringkat rendah itu, input dipotong pada tetapan 8,192 token yang dipilih; panjang jujukan model yang didokumenkan kekal 32K. Untuk bahan panjang, tentukan petikan yang perlu diwakili dan pastikan pemotongan tidak membuang secara senyap bahagian yang diperlukan oleh pertanyaan. Simpan vektor bersama rujukan sumber yang stabil, bandingkan pertanyaan yang disediakan dengan koleksi dan kembalikan petikan yang berkaitan mengikut urutan keserupaan.
Model pembenaman Qwen menggunakan pendekatan dwi-pengekod, manakala model pemeringkatan semulanya yang berasingan menggunakan pengekod silang untuk menilai pasangan pertanyaan–dokumen. Pengumuman keluaran menerangkan penggunaan modul tersebut bersama: pembenaman mencari calon awal, dan reranker kemudian boleh memperhalus urutannya. Qwen3-Embedding-4B sendiri menyediakan representasi bagi satu teks. Vektornya bukan skor reranker, pernyataan yang telah disahkan atau jawapan yang dijana. Jika aliran kerja akhir menjawab soalan daripada bahan yang diperoleh, petikan sumber yang dipilih kekal sebagai bukti yang diberikan kepada peringkat seterusnya itu.
Ailoot Ultra · Pembenaman POST /v1/embeddings qwen/qwen3-embedding-4b
qwen/qwen3-embedding-4bPengenalan
Qwen3-Embedding-4B mewakili teks sebagai vektor semantik untuk perolehan maklumat berbilang bahasa, carian kod, pengelasan dan pengelompokan. Model 4B ini menyokong panjang jujukan 32K token dan dimensi vektor tersuai dari 32 hingga 2,560.
- Input yang diterima
- Teks · token_ids
- Hasil
- embedding
Tersedia di Ailoot · input & kaedah
Ailoot Ultra · Pembenaman POST /v1/embeddings
- Input
text,token_ids- Output
embedding- Format output
- json
| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-embedding-4b | Lalai— |
Medaninput | Jenisstring|string[]|integer[]|integer[][] | KeperluanDiperlukan | Nilai & had Item minimum: 1 Syarat: Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif. Bajet input: Maksimum: 32,768 · Unit teks: bait UTF8 · Unit token: elemen tatasusunan token | Lalai— |
Medanencoding_format | Jenisstring | KeperluanPilihan | Nilai & had float | Lalaifloat |
Medandimensions | Jenisinteger | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— |
Medanuser | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medansession_id | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medantrace | Jenisjson_value | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— |
Gabungan bahan input
text_to_embedding
Parameter kaedah dan kitar hayat
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input |
Parameterinput_shapes | Kontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Kontrakfloat |
Parameterdimensions_override | Kontrakfalse |
Parametermax_input_budget_units | Kontrak32768 |
Parametermultimodal_objects | Kontrakfalse |
Parametermaterial_types | Kontraktext, token_ids |
Kitar hayat: synchronous_json
Simpan setiap indeks dan dimensi vektor.
Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini.
Pelan harga
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
- Mod pantas
- Tidak dinyatakan Apabila mod pantas dipilih
- Mod flex
- Tidak dinyatakan Apabila mod flex dipilih
- Usaha penaakulan maksimum
- Tidak dinyatakan Apabila usaha penaakulan maksimum menggunakan pelarasan default
Kadar Ailoot
Harga mengikut konfigurasi
| Konfigurasi | Jadual kadar | Caj |
|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Caj Input · Token input $0.00004 / 1K token Output · Token output $0 / 1K token Input · Bacaan cache — / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
Contoh permintaan
Ailoot Ultra · Pembenaman
set -eu
: "${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
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)
Terima dan simpan hasil
Ailoot Ultra · Pembenaman
json
Simpan semua hasil yang selesai
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.
Jika respons asal perlu disemak
Tiada titik akhir tugas pembenaman diperkenalkan.
Medan respons
| Medan | Jenis |
|---|---|
Medanobject | Jenisstring |
Medanmodel | Jenisstring |
Medandata[].index | Jenisinteger |
Medandata[].embedding | Jenisfinite float[] |
Medanusage | Jenisobject |
Ralat dan langkah seterusnya
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Alias
Alias model
Ailoot Ultra qwen/qwen3-embedding-4b
Alias laluan kaedah
Gunakan laluan kaedah yang dipaparkan di atas.
ID pemanggil berkaitan
FAQ · Qwen: Qwen3 Embedding 4B
- Apakah input dan hasil yang tersedia?
POST /v1/embeddings·qwen/qwen3-embedding-4b:text,token_ids→embedding- Apakah medan yang digunakan oleh permintaan?
POST /v1/embeddings·qwen/qwen3-embedding-4b:model,input,encoding_format,provider- Apakah had yang terpakai?
POST /v1/embeddings·qwen/qwen3-embedding-4b:input.budget.maximum:32768(bait UTF8);input.min_items:1