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

# Qwen: Qwen3 Embedding 8B

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

## [Qwen: Qwen3 Embedding 8B](https://ailoot.ai/models/nb/qwen-qwen3-embedding-8b/)

Qwen3-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.

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

Om modellen

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.

**Ailoot Ultra · Vektorrepresentasjoner** `POST /v1/embeddings` `qwen/qwen3-embedding-8b`

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

Alibaba /`qwen/qwen3-embedding-8b`

### Start

Qwen3-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.

Godkjente inndata

Tekst · token\_ids

Resultater

embedding

### Tilgjengelig i Ailoot · inndata & metoder

**Ailoot Ultra · Vektorrepresentasjoner** `POST /v1/embeddings`

Inndatatyper

`text`, `token_ids`

Utdatatyper

`embedding`

Kontekst

32 768 tokens

Utdataformat

json

| Felt | Type | Krav | Verdier & grenser | Standard |
| --- | --- | --- | --- | --- |
| Felt`model` | Type`string` | KravPåkrevd | Verdier & grenser qwen/qwen3-embedding-8b | Standard— |
| Felt`input` | Type`string\|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— |
| Felt`encoding_format` | Type`string` | KravValgfritt | Verdier & grenser float | Standardfloat |
| Felt`dimensions` | Type`integer` | KravStøttes ikke | Verdier & grenser Minimum: 1 | Standard— |
| Felt`user` | Type`json_value` | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
| Felt`session_id` | Type`json_value` | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
| Felt`trace` | Type`json_value` | KravValgfritt | Verdier & grenser Vilkår: Kilden tillater dette JSON-metadatafeltet; den nøyaktige semantikken hos den underliggende leverandøren er modellavhengig. | Standard— |
| Felt`provider` | Type`object` | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises | Standard— |

Kombinasjoner av inngående materialer

**text\_to\_embedding**

Metodeparametere og livssyklus

| Parameter | Avtale |
| --- | --- |
| Parameter`content_type` | Avtaleapplication/json |
| Parameter`required` | Avtalemodel, input |
| Parameter`input_shapes` | Avtalestring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] |
| Parameter`encoding_format` | Avtalefloat |
| Parameter`dimensions_override` | Avtalefalse |
| Parameter`max_input_budget_units` | Avtale32768 |
| Parameter`multimodal_objects` | Avtalefalse |
| Parameter`material_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.

### Priser

Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.

Hurtigmodus

Standardpris Når hurtigmodus er valgt

Flex-modus

Standardpris Når flex-modus er valgt

Maksimal resonneringsinnsats

Standardpris Når justeringen «default» brukes for maksimal resonneringsinnsats

#### Ailoot-satser

#### Priser etter konfigurasjon

| 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 →](https://ailoot.ai/docs/nb/billing/reserve/)

### Eksempelforespørsler

#### Ailoot Ultra · Vektorrepresentasjoner

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)
```

### Motta og lagre resultater

#### Ailoot Ultra · Vektorrepresentasjoner

json

##### Behold alle ferdige resultater

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.

##### Hvis det opprinnelige svaret må kontrolleres

Det innføres ikke noe endepunkt for embedding-jobber.

Svarfelter

| Felt | Type |
| --- | --- |
| Felt`object` | Typestring |
| Felt`model` | Typestring |
| Felt`data[].index` | Typeinteger |
| Felt`data[].embedding` | Typefinite float\[\] |
| Felt`usage` | Typeobject |

Feil og neste trinn

| Svar | Vilkår | Neste trinn |
| --- | --- | --- |
| Svar400 · `invalid_request_error` | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |

### Aliaser

#### Modellaliaser

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

#### Aliaser for metodestier

Bruk metodestiene som vises ovenfor.

#### Tilknyttede anroper-ID-er

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

FAQ · Qwen: Qwen3 Embedding 8B

Hvilke inndata og resultater er tilgjengelige?

`POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `text`, `token_ids` → `embedding`

Hvilke felt bruker forespørselen?

`POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `model`, `input`, `encoding_format`, `provider`

Hvilke grenser gjelder?

`POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `ctx`: `32768`; `input.budget.maximum`: `32768` (UTF8-byte); `input.min_items`: `1`

Koble Ailoot til Claude Code, OpenCode, Hermes eller egen applikasjon.

## Selskapet og dets prosjektportefølje

Selskapet og dets prosjektportefølje: millioner av kunder; månedlig salg for milliarder.

## Kjøp tokener med rabatt.

Abonnementsrabatt for jevnlig bruk. Kampanjekoder gir opptil 50% på tokenkjøp.

Abonnement

Velg et rabattabonnement for faste forespørsler.

Kampanjekode opptil 50%

Oppgi kode ved kjøp. Prisen beregnes på nytt etter gjeldende kampanje.

Kostnader i historikken

Modell, tokener og beløp lagres for hver forespørsel.

[Velg abonnement](https://ailoot.ai/docs/nb/billing/subscriptions/) · [Se modellpriser](https://ailoot.ai/models/nb/)

## Koble API-et til produktet du selger.

SaaS, apper og boter etter Ailoots offentlige tilbud og lisensavtale. Be om forhandlerlisens for videresalg.

Kommersiell applikasjon

Bygg tekst-, bilde-, video- og lydgenerering inn i betalte funksjoner i tjenesten.

Forhandlerlisens

Send prosjektbeskrivelse og tilgangsopplegg. Be om skriftlige vilkår for bruk og videresalg.

Dokumenter på nettstedet

Offentlig tilbud, lisensavtale og retningslinjer for databehandling er tilgjengelige før tilkobling.

[Be om forhandlerlisens](mailto:support@ailoot.ai) · [Offentlig tilbud og lisensavtale](https://ailoot.ai/legal/offer?lang=nb)

## Ailoot · Selskapet og dets prosjektportefølje





Ailoot bygger på etablert driftserfaring, en stor kundebase, stabil tjeneste og løpende KPI-kontroll.





Selskapet og dets prosjektportefølje: millioner av kunder; månedlig salg for milliarder.





Ailoot bruker denne driftserfaringen til API-tilgang til AI-funksjoner i kundenes produkter, agenter, applikasjoner og automatiseringer.