Source: https://ailoot.ai/models/ms/qwen-qwen3-embedding-8b/
Canonical: https://ailoot.ai/models/ms/qwen-qwen3-embedding-8b/
Language: ms

# Qwen: Qwen3 Embedding 8B

[Markdown](https://ailoot.ai/models/ms/qwen-qwen3-embedding-8b/index.md) · [JSON](https://ailoot.ai/models/ms/qwen-qwen3-embedding-8b/facts.json)

## [Qwen: Qwen3 Embedding 8B](https://ailoot.ai/models/ms/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.

- [**Ailoot Ultra · Pembenaman** `POST /v1/embeddings` `qwen/qwen3-embedding-8b`](https://ailoot.ai/models/ms/qwen-qwen3-embedding-8b/#method-0)

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-8b`](https://ailoot.ai/models/ms/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings)

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

### 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 |
| --- | --- | --- | --- | --- |
| Medan`model` | Jenis`string` | KeperluanDiperlukan | Nilai & had qwen/qwen3-embedding-8b | Lalai— |
| Medan`input` | Jenis`string\|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— |
| Medan`encoding_format` | Jenis`string` | KeperluanPilihan | Nilai & had float | Lalaifloat |
| Medan`dimensions` | Jenis`integer` | KeperluanTidak disokong | Nilai & had Minimum: 1 | Lalai— |
| Medan`user` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`session_id` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`trace` | Jenis`json_value` | KeperluanPilihan | Nilai & had Syarat: Sumber membenarkan medan metadata JSON ini; semantik tepat di pihak huluan bergantung pada model. | Lalai— |
| Medan`provider` | Jenis`object` | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak | Lalai— |

Gabungan bahan input

**text\_to\_embedding**

Parameter kaedah dan kitar hayat

| Parameter | Kontrak |
| --- | --- |
| Parameter`content_type` | Kontrakapplication/json |
| Parameter`required` | Kontrakmodel, input |
| Parameter`input_shapes` | Kontrakstring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Kontrakfloat |
| Parameter`dimensions_override` | Kontrakfalse |
| Parameter`max_input_budget_units` | Kontrak32768 |
| Parameter`multimodal_objects` | Kontrakfalse |
| Parameter`material_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 →](https://ailoot.ai/docs/ms/billing/reserve/)

### Contoh permintaan

#### Ailoot Ultra · Pembenaman

curlPython SDK

```bash
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "qwen/qwen3-embedding-8b", "input": ["First document", "Second document"]}')

Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/embeddings \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o result.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
r=json.loads(Path("result.json").read_text())
for x in r.get("data",[]): print(json.dumps({"index":x.get("index"),"embedding":x.get("embedding")}))
PY_RESULT
```

```python
from openai import OpenAI
import os

client=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)
result=client.embeddings.create(model='qwen/qwen3-embedding-8b',input=["First document","Second document"])
print(result)
for item in result.data:print(item.index,item.embedding)
```

### 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 |
| --- | --- |
| Medan`object` | Jenisstring |
| Medan`model` | Jenisstring |
| Medan`data[].index` | Jenisinteger |
| Medan`data[].embedding` | Jenisfinite float\[\] |
| Medan`usage` | 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`](https://ailoot.ai/models/ms/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings)

#### Alias laluan kaedah

Gunakan laluan kaedah yang dipaparkan di atas.

#### ID pemanggil berkaitan

[`qwen/qwen3-embedding-8b`](https://ailoot.ai/models/ms/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings)

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`

Sambungkan Ailoot kepada Claude Code, OpenCode, Hermes atau aplikasi anda.

## Syarikat dan portfolio projeknya

Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan.

## Beli token dengan diskaun.

Diskaun langganan untuk penggunaan berkala. Kod promosi — sehingga 50% bagi pembelian token.

Langganan

Pilih pelan berdiskaun untuk permintaan berkala anda.

Kod promosi sehingga 50%

Masukkan kod semasa pembelian. Harga dikira semula mengikut promosi semasa.

Perbelanjaan dalam sejarah

Model, token dan jumlah disimpan bagi setiap permintaan.

[Pilih langganan](https://ailoot.ai/docs/ms/billing/subscriptions/) · [Lihat harga model](https://ailoot.ai/models/ms/)

## Sambungkan API kepada produk yang anda jual.

SaaS, aplikasi dan bot — di bawah tawaran rasmi serta perjanjian lesen Ailoot. Untuk jualan semula, mohon lesen penjual semula.

Aplikasi komersial

Tambahkan penjanaan teks, imej, video dan audio pada ciri berbayar perkhidmatan anda.

Lesen penjual semula

Hantar keterangan projek dan susunan akses. Minta terma penggunaan serta jualan semula secara bertulis.

Dokumen pada laman

Tawaran, perjanjian lesen dan dasar pemprosesan data tersedia sebelum sambungan.

[Mohon lesen penjual semula](mailto:support@ailoot.ai) · [Tawaran dan perjanjian lesen](https://ailoot.ai/legal/offer?lang=ms)

## Ailoot · Syarikat dan portfolio projeknya





Ailoot berteraskan pengalaman operasi yang mantap, pangkalan pelanggan yang besar, perkhidmatan yang stabil dan pemantauan KPI berterusan.





Syarikat dan portfolio projeknya: jutaan pelanggan; jualan bernilai berbilion setiap bulan.





Ailoot menggunakan pengalaman operasi ini untuk akses API kepada ciri AI dalam produk pelanggan, ejen, aplikasi dan automasi.