Qwen: Qwen3 Embedding 8B
Qwen3-Embedding-8B menukar teks kepada vektor semantik untuk carian berbilang bahasa, pengambilan kod, pengelasan dan pengelompokan. Ia menyokong panjang jujukan 32K token dan dimensi pembenaman tersuai daripada 32 hingga 4,096.
Tentang model
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Qwen3-Embedding-8B ialah model pembenaman teks 8B Qwen, dibina daripada model asas Qwen3 padat. Ia mewakili teks sebagai vektor berangka dan bukannya menjana jawapan perbualan. Qwen menyenaraikan pengambilan teks, pengambilan kod, pengelasan, pengelompokan dan perlombongan teks dwibahasa sejajar antara bidang aplikasi yang disokong. Sistem carian boleh menggunakan vektor ini untuk membandingkan soalan dengan petikan relevan; koleksi dokumen boleh menggunakannya untuk mencari bahan yang berkaitan secara semantik atau menyusun rekod kepada kumpulan.
Model yang tepat ini menyokong panjang jujukan 32K token dan pembenaman sehingga 4,096 dimensi. Ia turut menyokong dimensi output yang ditetapkan pengguna daripada 32 hingga 4,096 melalui Matryoshka Representation Learning. Ini menjadikan panjang vektor pilihan reka bentuk yang disengajakan: vektor lebih pendek mengubah saiz representasi, manakala output penuh mengekalkan dimensi maksimum model. Kekalkan dimensi pilihan yang sama bagi dokumen dan pertanyaan yang dibandingkan dalam satu indeks. Qwen3-Embedding-4B ialah edisi berasingan dengan dimensi maksimum berbeza, bukan sumber vektor yang boleh saling menggantikan bagi koleksi 8B sedia ada.
Pengeluar menerangkan sokongan untuk lebih daripada 100 bahasa, termasuk bahasa pengaturcaraan, serta pengambilan berbilang bahasa, rentas bahasa dan kod. Koleksi praktikal boleh mengandungi dokumen dalam beberapa bahasa sementara pertanyaan mencari makna yang relevan, atau petikan kod sumber yang diindeks untuk soalan bahasa semula jadi. Kekalkan pengecam penting, tajuk dan istilah bidang dalam input. Bagi kod, sertakan penerangan sekitar fungsi atau modul bersama petikan apabila konteks itu sebahagian daripada soalan. Output kekal sebagai representasi vektor; mengembalikan teks dokumen yang sepadan ialah langkah seterusnya aplikasi carian.
Model ini peka terhadap arahan. Qwen mengesyorkan arahan satu ayat yang disesuaikan dengan tugas pengambilan dan, bagi penggunaan berbilang bahasa, mengesyorkan arahan itu ditulis dalam bahasa Inggeris. Contoh langsungnya memformat pertanyaan dengan Instruct: diikuti penerangan tugas dan Query: diikuti soalan. Dokumen pengambilan tidak memerlukan awalan arahan yang sama dalam contoh itu. Taklimat asal yang sesuai boleh menerangkan pencarian petikan teknikal yang menjelaskan ralat pengguna, kemudian meletakkan penerangan ralat tertentu dalam pertanyaan. Arahan menerangkan jenis hubungan semantik yang seharusnya diutamakan oleh carian.
Contoh Qwen mengekod pertanyaan dan dokumen secara berasingan, membandingkan vektornya menggunakan keserupaan kosinus dan menunjukkan prosedur peringkat lebih rendah yang mengumpulkan keadaan tersembunyi token akhir serta menormalkan pembenaman sebelum perbandingan hasil darab titik. Aliran kerja yang berguna mengekalkan vektor setiap petikan terikat pada pengecam sumbernya, membandingkan pertanyaan yang disediakan dengan vektor tersimpan dan mengembalikan petikan sepadan mengikut susunan keserupaan. Tetapan pemangkasan 8,192 token dalam contoh ialah tetapan pemprosesan input yang dipilih, berbeza daripada panjang jujukan 32K model yang didokumentasikan. Nilai bahan yang dikekalkan semasa menyediakan input panjang.
Model pembenaman dan model pemeringkatan semula ialah komponen berbeza dalam keluaran Qwen. Model pembenaman mewakili satu segmen teks dan membolehkan carian keserupaan awal. Model pemeringkatan semula yang berasingan menilai hubungan antara pertanyaan dan petikan calon serta boleh memperhalus susunannya. Qwen menerangkan penggabungan kedua-dua modul, tetapi Qwen3-Embedding-8B sendiri mengembalikan pembenaman dan bukannya penilaian kerelevanan model pemeringkatan semula atau jawapan bertulis. Bagi pengambilan yang diikuti jawapan, kekalkan teks sumber yang sepadan dan hantarkan bukti itu ke peringkat menjawab. Pilih dan kekalkan model, dimensi serta arahan pertanyaan yang konsisten untuk koleksi yang dicari.
Ailoot Ultra · Pembenaman POST /v1/embeddings qwen/qwen3-embedding-8b
qwen/qwen3-embedding-8bPengenalan
Qwen3-Embedding-8B menukar teks kepada vektor semantik untuk carian berbilang bahasa, pengambilan kod, pengelasan dan pengelompokan. Ia menyokong panjang jujukan 32K token dan dimensi pembenaman tersuai daripada 32 hingga 4,096.
- 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- Konteks
- 32,768 tokens
- Format output
- json
| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had qwen/qwen3-embedding-8b | 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
- Kadar standard Apabila mod pantas dipilih
- Mod flex
- Kadar standard Apabila mod flex dipilih
- Usaha penaakulan maksimum
- Kadar standard 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 $0.00002 / 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-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
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)
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-8b
Alias laluan kaedah
Gunakan laluan kaedah yang dipaparkan di atas.
ID pemanggil berkaitan
FAQ · Qwen: Qwen3 Embedding 8B
- Apakah input dan hasil yang tersedia?
POST /v1/embeddings·qwen/qwen3-embedding-8b:text,token_ids→embedding- Apakah medan yang digunakan oleh permintaan?
POST /v1/embeddings·qwen/qwen3-embedding-8b:model,input,encoding_format,provider- Apakah had yang terpakai?
POST /v1/embeddings·qwen/qwen3-embedding-8b:ctx:32768;input.budget.maximum:32768(bait UTF8);input.min_items:1