Qwen3-Embedding-8B er Qwens 8B-modell for tekstembeddings, bygget på den tette Qwen3-grunnmodellen. Den representerer tekst som numeriske vektorer fremfor å generere samtalesvar. Qwen oppgir gjenfinning av tekst, gjenfinning av kode, klassifisering, klyngedannelse og utvinning av tospråklige tekstpar som støttede bruksområder. Et søkesystem kan bruke disse vektorene til å sammenligne et spørsmål med relevante avsnitt; en dokumentsamling kan bruke dem til å finne semantisk beslektet materiale eller organisere poster i grupper.
Den nøyaktige modellen støtter en sekvenslengde på 32K tokener og embeddings med opptil 4 096 dimensjoner. Den støtter også brukerdefinerte utdatadimensjoner fra 32 til 4 096 gjennom Matryoshka Representation Learning. Dermed blir vektorlengden et bevisst designvalg: en kortere vektor endrer representasjonens størrelse, mens fullstendige utdata bevarer modellens maksimale dimensjonalitet. Hold den valgte dimensjonen konsekvent for dokumentene og søkespørsmålene som sammenlignes i én indeks. Qwen3-Embedding-4B er en separat utgave med en annen maksimal dimensjon, ikke en utskiftbar vektorkilde for en eksisterende 8B-samling.
Produsenten beskriver støtte for mer enn 100 språk, inkludert programmeringsspråk, og flerspråklig gjenfinning, gjenfinning på tvers av språk og gjenfinning av kode. En praktisk samling kan inneholde dokumenter på flere språk mens spørsmål søker etter den relevante betydningen, eller kildekodeavsnitt som er indeksert for et spørsmål i naturlig språk. Behold viktige identifikatorer, titler og faguttrykk i inndataene. For kode bør du beholde forklaringen rundt funksjonen eller modulen sammen med utdraget når denne konteksten inngår i spørsmålet. Utdataene er fortsatt en vektorrepresentasjon; å returnere teksten fra dokumentet som samsvarer, er søkeapplikasjonens neste steg.
Modellen tar hensyn til instruksjoner. Qwen anbefaler en instruksjon på én setning tilpasset gjenfinningsoppgaven og anbefaler at denne skrives på engelsk ved flerspråklig bruk. Det direkte eksemplet formaterer et søkespørsmål med Instruct: etterfulgt av oppgavebeskrivelsen og Query: etterfulgt av spørsmålet. Dokumentene som skal gjenfinnes, trenger ikke det samme instruksjonsprefikset i dette eksemplet. En egnet original oppgavebeskrivelse kan beskrive å finne tekniske avsnitt som forklarer en brukers feil, og deretter plassere den konkrete feilbeskrivelsen i søkespørsmålet. Instruksjonen beskriver hva slags semantisk forbindelse søket skal prioritere.
Qwens eksempler koder søkespørsmål og dokumenter separat, sammenligner vektorene med cosinuslikhet og viser en prosedyre på lavere nivå som bruker pooling på den skjulte tilstanden til det siste tokenet og normaliserer embeddingvektoren før sammenligning med skalarprodukt. En nyttig arbeidsflyt holder hvert avsnitts vektor knyttet til kildeidentifikatoren, sammenligner et forberedt søkespørsmål med de lagrede vektorene og returnerer de tilsvarende avsnittene i likhetsrekkefølge. Eksemplets avkortingsinnstilling på 8 192 tokener er en valgt innstilling for behandling av inndata, forskjellig fra modellens dokumenterte sekvenslengde på 32K. Gjennomgå hva som beholdes når du forbereder lange inndata.
Embeddingmodellene og rerankingmodellene er forskjellige komponenter i Qwens utgivelse. En embeddingmodell representerer ett tekstsegment og muliggjør et innledende likhetssøk. En separat reranker vurderer forholdet mellom et søkespørsmål og kandidatavsnitt og kan forbedre rekkefølgen. Qwen beskriver å kombinere de to modulene, men Qwen3-Embedding-8B returnerer selv embeddings fremfor en rerankers relevansvurdering eller et skriftlig svar. For gjenfinning etterfulgt av et svar bør du beholde kildeteksten som samsvarer, og sende denne dokumentasjonen videre til svarsteget. Velg og behold en konsekvent modell, dimensjon og søkeinstruksjon for samlingen det søkes i.
", "aboutText": "Qwen3-Embedding-8B er Qwens 8B-modell for tekstembeddings, bygget på den tette Qwen3-grunnmodellen. Den representerer tekst som numeriske vektorer fremfor å generere samtalesvar. Qwen oppgir gjenfinning av tekst, gjenfinning av kode, klassifisering, klyngedannelse og utvinning av tospråklige tekstpar som støttede bruksområder. Et søkesystem kan bruke disse vektorene til å sammenligne et spørsmål med relevante avsnitt; en dokumentsamling kan bruke dem til å finne semantisk beslektet materiale eller organisere poster i grupper.\n\nDen nøyaktige modellen støtter en sekvenslengde på 32K tokener og embeddings med opptil 4 096 dimensjoner. Den støtter også brukerdefinerte utdatadimensjoner fra 32 til 4 096 gjennom Matryoshka Representation Learning. Dermed blir vektorlengden et bevisst designvalg: en kortere vektor endrer representasjonens størrelse, mens fullstendige utdata bevarer modellens maksimale dimensjonalitet. Hold den valgte dimensjonen konsekvent for dokumentene og søkespørsmålene som sammenlignes i én indeks. Qwen3-Embedding-4B er en separat utgave med en annen maksimal dimensjon, ikke en utskiftbar vektorkilde for en eksisterende 8B-samling.\n\nProdusenten beskriver støtte for mer enn 100 språk, inkludert programmeringsspråk, og flerspråklig gjenfinning, gjenfinning på tvers av språk og gjenfinning av kode. En praktisk samling kan inneholde dokumenter på flere språk mens spørsmål søker etter den relevante betydningen, eller kildekodeavsnitt som er indeksert for et spørsmål i naturlig språk. Behold viktige identifikatorer, titler og faguttrykk i inndataene. For kode bør du beholde forklaringen rundt funksjonen eller modulen sammen med utdraget når denne konteksten inngår i spørsmålet. Utdataene er fortsatt en vektorrepresentasjon; å returnere teksten fra dokumentet som samsvarer, er søkeapplikasjonens neste steg.\n\nModellen tar hensyn til instruksjoner. Qwen anbefaler en instruksjon på én setning tilpasset gjenfinningsoppgaven og anbefaler at denne skrives på engelsk ved flerspråklig bruk. Det direkte eksemplet formaterer et søkespørsmål med Instruct: etterfulgt av oppgavebeskrivelsen og Query: etterfulgt av spørsmålet. Dokumentene som skal gjenfinnes, trenger ikke det samme instruksjonsprefikset i dette eksemplet. En egnet original oppgavebeskrivelse kan beskrive å finne tekniske avsnitt som forklarer en brukers feil, og deretter plassere den konkrete feilbeskrivelsen i søkespørsmålet. Instruksjonen beskriver hva slags semantisk forbindelse søket skal prioritere.\n\nQwens eksempler koder søkespørsmål og dokumenter separat, sammenligner vektorene med cosinuslikhet og viser en prosedyre på lavere nivå som bruker pooling på den skjulte tilstanden til det siste tokenet og normaliserer embeddingvektoren før sammenligning med skalarprodukt. En nyttig arbeidsflyt holder hvert avsnitts vektor knyttet til kildeidentifikatoren, sammenligner et forberedt søkespørsmål med de lagrede vektorene og returnerer de tilsvarende avsnittene i likhetsrekkefølge. Eksemplets avkortingsinnstilling på 8 192 tokener er en valgt innstilling for behandling av inndata, forskjellig fra modellens dokumenterte sekvenslengde på 32K. Gjennomgå hva som beholdes når du forbereder lange inndata.\n\nEmbeddingmodellene og rerankingmodellene er forskjellige komponenter i Qwens utgivelse. En embeddingmodell representerer ett tekstsegment og muliggjør et innledende likhetssøk. En separat reranker vurderer forholdet mellom et søkespørsmål og kandidatavsnitt og kan forbedre rekkefølgen. Qwen beskriver å kombinere de to modulene, men Qwen3-Embedding-8B returnerer selv embeddings fremfor en rerankers relevansvurdering eller et skriftlig svar. For gjenfinning etterfulgt av et svar bør du beholde kildeteksten som samsvarer, og sende denne dokumentasjonen videre til svarsteget. Velg og behold en konsekvent modell, dimensjon og søkeinstruksjon for samlingen det søkes i.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "01e8bd31d6dff95aaad2baa7f734dcddce9947c98c9401524e3ab765a64ec244", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "qwen/qwen3-embedding-8bQwen3-Embedding-8B gjør tekst om til semantiske vektorer for flerspråklig søk, gjenfinning av kode, klassifisering og klyngedannelse. Den støtter en sekvenslengde på 32K tokener og egendefinerte embeddingdimensjoner fra 32 til 4 096.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Qwen3-Embedding-8B er Qwens 8B-modell for tekstembeddings, bygget på den tette Qwen3-grunnmodellen. Den representerer tekst som numeriske vektorer fremfor å generere samtalesvar. Qwen oppgir gjenfinning av tekst, gjenfinning av kode, klassifisering, klyngedannelse og utvinning av tospråklige tekstpar som støttede bruksområder. Et søkesystem kan bruke disse vektorene til å sammenligne et spørsmål med relevante avsnitt; en dokumentsamling kan bruke dem til å finne semantisk beslektet materiale eller organisere poster i grupper.
Den nøyaktige modellen støtter en sekvenslengde på 32K tokener og embeddings med opptil 4 096 dimensjoner. Den støtter også brukerdefinerte utdatadimensjoner fra 32 til 4 096 gjennom Matryoshka Representation Learning. Dermed blir vektorlengden et bevisst designvalg: en kortere vektor endrer representasjonens størrelse, mens fullstendige utdata bevarer modellens maksimale dimensjonalitet. Hold den valgte dimensjonen konsekvent for dokumentene og søkespørsmålene som sammenlignes i én indeks. Qwen3-Embedding-4B er en separat utgave med en annen maksimal dimensjon, ikke en utskiftbar vektorkilde for en eksisterende 8B-samling.
Produsenten beskriver støtte for mer enn 100 språk, inkludert programmeringsspråk, og flerspråklig gjenfinning, gjenfinning på tvers av språk og gjenfinning av kode. En praktisk samling kan inneholde dokumenter på flere språk mens spørsmål søker etter den relevante betydningen, eller kildekodeavsnitt som er indeksert for et spørsmål i naturlig språk. Behold viktige identifikatorer, titler og faguttrykk i inndataene. For kode bør du beholde forklaringen rundt funksjonen eller modulen sammen med utdraget når denne konteksten inngår i spørsmålet. Utdataene er fortsatt en vektorrepresentasjon; å returnere teksten fra dokumentet som samsvarer, er søkeapplikasjonens neste steg.
Modellen tar hensyn til instruksjoner. Qwen anbefaler en instruksjon på én setning tilpasset gjenfinningsoppgaven og anbefaler at denne skrives på engelsk ved flerspråklig bruk. Det direkte eksemplet formaterer et søkespørsmål med Instruct: etterfulgt av oppgavebeskrivelsen og Query: etterfulgt av spørsmålet. Dokumentene som skal gjenfinnes, trenger ikke det samme instruksjonsprefikset i dette eksemplet. En egnet original oppgavebeskrivelse kan beskrive å finne tekniske avsnitt som forklarer en brukers feil, og deretter plassere den konkrete feilbeskrivelsen i søkespørsmålet. Instruksjonen beskriver hva slags semantisk forbindelse søket skal prioritere.
Qwens eksempler koder søkespørsmål og dokumenter separat, sammenligner vektorene med cosinuslikhet og viser en prosedyre på lavere nivå som bruker pooling på den skjulte tilstanden til det siste tokenet og normaliserer embeddingvektoren før sammenligning med skalarprodukt. En nyttig arbeidsflyt holder hvert avsnitts vektor knyttet til kildeidentifikatoren, sammenligner et forberedt søkespørsmål med de lagrede vektorene og returnerer de tilsvarende avsnittene i likhetsrekkefølge. Eksemplets avkortingsinnstilling på 8 192 tokener er en valgt innstilling for behandling av inndata, forskjellig fra modellens dokumenterte sekvenslengde på 32K. Gjennomgå hva som beholdes når du forbereder lange inndata.
Embeddingmodellene og rerankingmodellene er forskjellige komponenter i Qwens utgivelse. En embeddingmodell representerer ett tekstsegment og muliggjør et innledende likhetssøk. En separat reranker vurderer forholdet mellom et søkespørsmål og kandidatavsnitt og kan forbedre rekkefølgen. Qwen beskriver å kombinere de to modulene, men Qwen3-Embedding-8B returnerer selv embeddings fremfor en rerankers relevansvurdering eller et skriftlig svar. For gjenfinning etterfulgt av et svar bør du beholde kildeteksten som samsvarer, og sende denne dokumentasjonen videre til svarsteget. Velg og behold en konsekvent modell, dimensjon og søkeinstruksjon for samlingen det søkes i.
POST /v1/embeddingstext, token_idsembedding| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser qwen/qwen3-embedding-8b | Standard— |
Feltinput | Typestring|string[]|integer[]|integer[][] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 Vilkår: Ikke-tom batch med ensartede elementer. Token-ID-er er ikke-negative heltall. Inndatabudsjett: Maksimum: 32 768 · Tekstenhet: UTF8-byte · Tokenenhet: elementer i token-arrayet | Standard— |
Feltencoding_format | Typestring | KravValgfritt | Verdier & grenser float | Standardfloat |
Feltdimensions | Typeinteger | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
Feltuser | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltsession_id | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Felttrace | Typejson_value | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |
text_to_embedding
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input |
Parameterinput_shapes | Avtalestring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Avtalefloat |
Parameterdimensions_override | Avtalefalse |
Parametermax_input_budget_units | Avtale32768 |
Parametermultimodal_objects | Avtalefalse |
Parametermaterial_types | Avtaletext, token_ids |
Livssyklus: synchronous_json
Bevar hver vektors indeks og dimensjon.
Et multimodalt modellnavn innebærer ikke at bildeobjekter er tillatt på denne nøyaktige stien.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
| Konfigurasjon | Prisplan | Kostnad |
|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Kostnad Inndata · Inngående tokener $0.00002 / 1K tokener Utdata · Utgående tokener $0 / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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\nfrom 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)\njson
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hver vektor sammen med indeksen. Antall vektorer må være lik antall inndata; dimensjonene må være konsistente.
Det innføres ikke noe endepunkt for embedding-jobber.
| Felt | Type |
|---|---|
Feltobject | Typestring |
Feltmodel | Typestring |
Feltdata[].index | Typeinteger |
Feltdata[].embedding | Typefinite float[] |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra qwen/qwen3-embedding-8b
Bruk metodestiene som vises ovenfor.