{ "aboutHtml": "

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.

", "aboutText": "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.\n\nEdisi 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.\n\nPengeluar 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.\n\nQwen3-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.\n\nContoh 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.\n\nModel 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "1aa7f4db112c4af97cd72aaaa7005848e35936729512c1e341433f1adf1e50cd", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
Al

Qwen: Qwen3 Embedding 4B

Alibaba /qwen/qwen3-embedding-4b

Pengenalan

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
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.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings
Input
text, token_ids
Output
embedding
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
qwen/qwen3-embedding-4b
Lalai—
MedaninputJenisstring|string[]|integer[]|integer[][]KeperluanDiperlukanNilai & 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_formatJenisstringKeperluanPilihanNilai & had
float
Lalaifloat
MedandimensionsJenisintegerKeperluanTidak disokongNilai & had
Minimum: 1
Lalai—
MedanuserJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
Medansession_idJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedantraceJenisjson_valueKeperluanPilihanNilai & had
Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.
Lalai—
MedanproviderJenisobjectKeperluanPilihanNilai & had
Syarat: provider.options ditolak
Lalai—
Gabungan bahan input

text_to_embedding

Parameter kaedah dan kitar hayat
ParameterKontrak
Parametercontent_typeKontrakapplication/json
ParameterrequiredKontrakmodel, input
Parameterinput_shapesKontrakstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[]
Parameterencoding_formatKontrakfloat
Parameterdimensions_overrideKontrakfalse
Parametermax_input_budget_unitsKontrak32768
Parametermultimodal_objectsKontrakfalse
Parametermaterial_typesKontraktext, token_ids

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

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
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\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-4b", "input": ["First document", "Second document"]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))\nPY_RESULT\n

Terima dan simpan hasil

Ailoot Ultra · 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
MedanJenis
MedanobjectJenisstring
MedanmodelJenisstring
Medandata[].indexJenisinteger
Medandata[].embeddingJenisfinite float[]
MedanusageJenisobject
Ralat dan langkah seterusnya
ResponsSyaratLangkah seterusnya
Respons400 · invalid_request_errorSyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sahLangkah 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

qwen/qwen3-embedding-4b

", "method_identity": { "effective_request_model_id": "qwen/qwen3-embedding-4b", "fmt": "embeddings", "http": "POST", "path": "/v1/embeddings", "request_model_id": "qwen/qwen3-embedding-4b", "route_label": "Ultra" }, "method_key": "Ultra|embeddings|/v1/embeddings|qwen%2Fqwen3-embedding-4b", "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "qwen/qwen3-embedding-4b" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32768, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 32768, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-4b\", \"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-4b',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": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.04, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-4b", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-4b", "nativeProvenance": { "input_facts_canonical_sha256": "8082be5d7b61642383d2c13faade3abbc678785338b1d2d74bd6db99a50870d3", "input_html_sha256": "7239248a24ab8b551ab3381ed9e1effa72dd0e12ff27cb48dce13205fa4d1cbf", "private_audit_sha256": "93f18b9093061c031c27a29fbb8f56b4df0fcf87bc118aa79a5588867cb1bd95", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/qwen-qwen3-embedding-4b/", "description": "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.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/qwen-qwen3-embedding-4b/index.md", "title": "Qwen: Qwen3 Embedding 4B — Ailoot", "url": "https://ailoot.ai/models/ms/qwen-qwen3-embedding-4b/" }, "rawModel": { "about": "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.\n\nEdisi 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.\n\nPengeluar 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.\n\nQwen3-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.\n\nContoh 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.\n\nModel 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.", "alias_of": null, "aliases": [], "author": "Alibaba", "available": null, "canonical_model": "qwen/qwen3-embedding-4b", "capabilities": { "context_length": 32768, "manufacturer_input": [ "text" ], "manufacturer_output": [ "embeddings" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "ctx": null, "entity_type": "model", "formats": [ "embeddings" ], "id": "qwen/qwen3-embedding-4b", "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": "Medan wajib, perwakilan bahan atau nilai parameter tidak sah", "http_status": 400, "recovery": "Betulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu.", "type": "invalid_request_error" } ], "hints": [], "ignored_fields": [], "lifecycle": { "create": { "http": "POST", "path": "/v1/embeddings" }, "job_read": null, "mode": "synchronous_json", "unknown": "Tiada titik akhir tugas pembenaman diperkenalkan." }, "material_combinations": [ { "alternatives": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "mode": "text_to_embedding" } ], "operation_modes": [ "single_embedding", "batched_embeddings" ], "outputs": { "all_results": "Simpan setiap vektor bersama indeksnya. Bilangan vektor mesti sama dengan bilangan input; dimensi mesti konsisten.", "default_dimensions": null, "family": "embedding", "fields": [ { "description": null, "name": "object", "type": "string" }, { "description": null, "name": "model", "type": "string" }, { "description": null, "name": "data[].index", "type": "integer" }, { "description": null, "name": "data[].embedding", "type": "finite float[]" }, { "description": null, "name": "usage", "type": "object" } ], "format": "json" }, "parameters": [ { "availability": "source_interface", "default": null, "default_known": false, "enum": [ "qwen/qwen3-embedding-4b" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "availability": "source_interface", "budget": { "maximum": 32768, "text_unit": "bait UTF8", "token_unit": "elemen tatasusunan token" }, "conditions": "Kelompok homogen yang tidak kosong. ID token ialah integer bukan negatif.", "default": null, "default_known": false, "enum": null, "enum_known": false, "min_items": 1, "name": "input", "required": true, "type": "string|string[]|integer[]|integer[][]" }, { "availability": "source_interface", "default": "float", "default_known": true, "enum": [ "float" ], "enum_known": true, "name": "encoding_format", "required": false, "type": "string" }, { "availability": "unsupported", "default": null, "default_known": false, "enum": null, "enum_known": false, "minimum": 1, "name": "dimensions", "required": false, "type": "integer" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "user", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "session_id", "required": false, "type": "json_value" }, { "availability": "pass_through_metadata", "conditions": "Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model.", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "trace", "required": false, "type": "json_value" }, { "availability": "source_interface", "conditions": "provider.options ditolak", "default": null, "default_known": false, "enum": null, "enum_known": false, "name": "provider", "required": false, "type": "object" } ], "profile_binding": "Exact existing Ailoot model and method; interface constraints below do not assert provider qualification.", "unsupported": [ "mixed input kinds", "empty input", "image/audio/file objects", "encoding_format=base64", "dimensions override" ] }, "hints": [ "Simpan setiap indeks dan dimensi vektor.", "Nama model multimodal tidak bermakna objek imej dibenarkan pada laluan khusus ini." ], "input": { "content_type": "application/json", "dimensions_override": false, "encoding_format": [ "float" ], "input_shapes": [ "string", "string[]", "nonnegative_integer_token_array", "nonnegative_integer_token_array[]" ], "material_types": [ "text", "token_ids" ], "max_input_budget_units": 32768, "multimodal_objects": false, "required": [ "model", "input" ] }, "lifecycle": { "mode": "synchronous_json", "unknown": "no embedding job endpoint inferred" }, "manufacturer_capability": null, "method": { "http": "POST", "path": "/v1/embeddings" }, "method_aliases": [], "operation_modes": [ "text_to_embedding" ], "output": { "default_dimensions": null, "family": "embedding", "format": "json", "http_success": 200, "vectors": "one dense float vector per input; indices/model/usage validated" } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas token", "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-4b\", \"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-4b',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": null, "flex_multiplier": null, "fmt": "embeddings", "hints": [ "Keep every vector index and dimension.", "Multimodal model name does not admit image objects on this exact path." ], "http": "POST", "in": 0.04, "input": [ "text", "token_ids" ], "label": "Эмбеддинги", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": 0, "output": [ "embedding" ], "path": "/v1/embeddings", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "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": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-4b", "route_label": "Ultra", "status_reads": [], "tiers": [], "units": [ { "amount": "0.00004000", "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": "0.00000004", "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-4b", "request_model_id": "qwen/qwen3-embedding-4b", "route_label": "Ultra" } ], "name": "Qwen: Qwen3 Embedding 4B", "price": { "in": 0.04, "in_label": null, "out": 0, "out_label": null, "scope_label": "Token rates", "sort_in": 0.04, "sort_out": 0, "varies": false }, "public_id": "qwen/qwen3-embedding-4b", "short": "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." }, "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-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.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "4ffa8d609f35af9186ec4d2337692f61ea2c7f25fbc60707a397ae6384d47821", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "cac60ffd613407ec0d1df8b8b77725131e5475cc9cf5fcd5387fdad78001af48" }