{ "aboutHtml": "

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.

", "aboutText": "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.\n\nModel 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.\n\nPengeluar 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.\n\nModel 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.\n\nContoh 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.\n\nModel 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "41b989e237053460493f1acbe51526807ff94a4235f352c02229461c71187dc2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ms", "methods": [ { "html": "
Al

Qwen: Qwen3 Embedding 8B

Alibaba /qwen/qwen3-embedding-8b

Pengenalan

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
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.

Tersedia di Ailoot · input & kaedah

Ailoot Ultra · Pembenaman POST /v1/embeddings
Input
text, token_ids
Output
embedding
Konteks
32,768 tokens
Format output
json
MedanJenisKeperluanNilai & hadLalai
MedanmodelJenisstringKeperluanDiperlukanNilai & had
qwen/qwen3-embedding-8b
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
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

KonfigurasiJadual kadarCaj
KonfigurasiKadar asas tokenJadual kadarKadar asasCaj
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\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

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-8b

Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

ID pemanggil berkaitan

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": "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-8b" ], "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": 32768, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas 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": "Mod pantas", "value": "Kadar standard", "when": "Apabila mod pantas dipilih" }, { "label": "Mod flex", "value": "Kadar standard", "when": "Apabila mod flex dipilih" }, { "label": "Usaha penaakulan maksimum", "value": "Kadar standard", "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan 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": "d3bd178ef37ee35f874e8b55e34923d111c3231ab1a504543f6c71217d4ea6ca", "input_html_sha256": "298ce8ede330d7980a5fe958b91beb80e6dbbacabb1f8fc575be996ea79a5db6", "private_audit_sha256": "3a9277168ee1cd65358a160f97dde7e2c2d2dbaa01e47fe0a73f9241d546ef0a", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/ms/qwen-qwen3-embedding-8b/", "description": "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.", "locale": "ms", "md_url": "https://ailoot.ai/models/ms/qwen-qwen3-embedding-8b/index.md", "title": "Qwen: Qwen3 Embedding 8B — Ailoot", "url": "https://ailoot.ai/models/ms/qwen-qwen3-embedding-8b/" }, "rawModel": { "about": "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.\n\nModel 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.\n\nPengeluar 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.\n\nModel 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.\n\nContoh 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.\n\nModel 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.", "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": "Maklumat lengkap tentang harga konfigurasi terdapat dalam butiran." } ], "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": "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-8b" ], "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": 32768, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Kadar asas 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": "Mod pantas", "value": "Kadar standard", "when": "Apabila mod pantas dipilih" }, { "label": "Mod flex", "value": "Kadar standard", "when": "Apabila mod flex dipilih" }, { "label": "Usaha penaakulan maksimum", "value": "Kadar standard", "when": "Apabila usaha penaakulan maksimum menggunakan pelarasan 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 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." }, "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 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.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "74c1a328a0aae28a20a1cc3f0e7538dd9f693c0b15f88cfb4e5b24ad90df1d6f", "renderer_sha256": "1dab5ba62521e9568c8b7c82005622cabbf330a075df7cce1f83274a04009460" }, "sourceRevision": "a3b4f025cb82088cefb1b87ce37a5fa184c62b2fec96a7b30d589947ad22d9d3" }