Qwen3-Embedding-8B is het 8B-tekstembeddingmodel van Qwen, opgebouwd vanuit het dense Qwen3-basismodel. Het representeert tekst als numerieke vectoren in plaats van gespreksantwoorden te genereren. Qwen noemt tekstophaling, codeophaling, classificatie, clustering en mining van parallelle teksten als ondersteunde toepassingsgebieden. Een zoeksysteem kan die vectoren gebruiken om een vraag met relevante passages te vergelijken; een documentenverzameling kan semantisch gerelateerd materiaal vinden of records in groepen organiseren.
Het exacte model ondersteunt een sequentielengte van 32K tokens en embeddings met maximaal 4.096 dimensies. Het ondersteunt ook door de gebruiker gedefinieerde uitvoerdimensies van 32 tot 4.096 via Matryoshka Representation Learning. Vectorlengte wordt daardoor een bewuste ontwerpkeuze: een kortere vector verandert de grootte van de representatie, terwijl volledige uitvoer de maximale dimensionaliteit van het model behoudt. Houd de gekozen dimensie consistent voor documenten en zoekvragen die in één index worden vergeleken. Qwen3-Embedding-4B is een afzonderlijke editie met een andere maximale dimensie, geen uitwisselbare vectorbron voor een bestaande 8B-verzameling.
De ontwikkelaar beschrijft ondersteuning voor meer dan 100 talen, waaronder programmeertalen, en voor meertalige, taaloverschrijdende en codeophaling. Een praktische verzameling kan documenten in meerdere talen bevatten terwijl zoekvragen relevante betekenis zoeken, of broncodepassages die voor een vraag in natuurlijke taal geïndexeerd zijn. Behoud belangrijke identificaties, titels en domeintermen in de invoer. Bewaar bij code de omliggende uitleg van de functie of module bij het fragment als die context bij de vraag hoort. De uitvoer blijft een vectorrepresentatie; de tekst van het overeenkomende document teruggeven is de volgende stap van de zoektoepassing.
Het model houdt rekening met instructies. Qwen raadt één zin als instructie aan, afgestemd op de ophaaltaak, en voor meertalig gebruik wordt aanbevolen die instructie in het Engels te schrijven. Het directe voorbeeld formatteert een zoekvraag met Instruct: gevolgd door de taakbeschrijving en Query: gevolgd door de vraag. De op te halen documenten hebben in dat voorbeeld niet hetzelfde instructievoorvoegsel nodig. Een passende oorspronkelijke opdracht kan beschrijven dat technische passages gezocht worden die een gebruikersfout uitleggen, en vervolgens de specifieke foutbeschrijving in de zoekvraag plaatsen. De instructie omschrijft welke semantische relatie de zoekopdracht hoort te bevorderen.
De voorbeelden van Qwen coderen zoekvragen en documenten apart, vergelijken hun vectoren met cosinusgelijkenis en tonen een procedure op lager niveau die de verborgen toestand van het laatste token neemt en de embedding normaliseert vóór een inproductvergelijking. Een nuttige werkwijze houdt de vector van elke passage bij de bronidentificatie, vergelijkt een voorbereide zoekvraag met opgeslagen vectoren en retourneert de bijbehorende passages in volgorde van gelijkenis. De afkapinstelling van 8.192 tokens in het voorbeeld is een gekozen invoerverwerkingsinstelling, niet de gedocumenteerde sequentielengte van 32K. Controleer wat behouden blijft als u lange invoer voorbereidt.
Embedding- en rerankingmodellen zijn verschillende onderdelen van de Qwen-release. Een embeddingmodel representeert één tekstsegment en maakt een eerste gelijkeniszoekactie mogelijk. Een afzonderlijke reranker beoordeelt de relatie tussen een zoekvraag en kandidaatpassages en kan hun volgorde verfijnen. Qwen beschrijft het combineren van beide modules, maar Qwen3-Embedding-8B zelf retourneert embeddings, geen relevantiebeoordeling van een reranker of geschreven antwoord. Behoud voor ophalen gevolgd door een antwoord de overeenkomende brontekst en geef dat bewijs aan de antwoordfase. Kies voor de doorzochte verzameling een model, dimensie en zoekvraaginstructie en houd deze consistent.
", "aboutText": "Qwen3-Embedding-8B is het 8B-tekstembeddingmodel van Qwen, opgebouwd vanuit het dense Qwen3-basismodel. Het representeert tekst als numerieke vectoren in plaats van gespreksantwoorden te genereren. Qwen noemt tekstophaling, codeophaling, classificatie, clustering en mining van parallelle teksten als ondersteunde toepassingsgebieden. Een zoeksysteem kan die vectoren gebruiken om een vraag met relevante passages te vergelijken; een documentenverzameling kan semantisch gerelateerd materiaal vinden of records in groepen organiseren.\n\nHet exacte model ondersteunt een sequentielengte van 32K tokens en embeddings met maximaal 4.096 dimensies. Het ondersteunt ook door de gebruiker gedefinieerde uitvoerdimensies van 32 tot 4.096 via Matryoshka Representation Learning. Vectorlengte wordt daardoor een bewuste ontwerpkeuze: een kortere vector verandert de grootte van de representatie, terwijl volledige uitvoer de maximale dimensionaliteit van het model behoudt. Houd de gekozen dimensie consistent voor documenten en zoekvragen die in één index worden vergeleken. Qwen3-Embedding-4B is een afzonderlijke editie met een andere maximale dimensie, geen uitwisselbare vectorbron voor een bestaande 8B-verzameling.\n\nDe ontwikkelaar beschrijft ondersteuning voor meer dan 100 talen, waaronder programmeertalen, en voor meertalige, taaloverschrijdende en codeophaling. Een praktische verzameling kan documenten in meerdere talen bevatten terwijl zoekvragen relevante betekenis zoeken, of broncodepassages die voor een vraag in natuurlijke taal geïndexeerd zijn. Behoud belangrijke identificaties, titels en domeintermen in de invoer. Bewaar bij code de omliggende uitleg van de functie of module bij het fragment als die context bij de vraag hoort. De uitvoer blijft een vectorrepresentatie; de tekst van het overeenkomende document teruggeven is de volgende stap van de zoektoepassing.\n\nHet model houdt rekening met instructies. Qwen raadt één zin als instructie aan, afgestemd op de ophaaltaak, en voor meertalig gebruik wordt aanbevolen die instructie in het Engels te schrijven. Het directe voorbeeld formatteert een zoekvraag met Instruct: gevolgd door de taakbeschrijving en Query: gevolgd door de vraag. De op te halen documenten hebben in dat voorbeeld niet hetzelfde instructievoorvoegsel nodig. Een passende oorspronkelijke opdracht kan beschrijven dat technische passages gezocht worden die een gebruikersfout uitleggen, en vervolgens de specifieke foutbeschrijving in de zoekvraag plaatsen. De instructie omschrijft welke semantische relatie de zoekopdracht hoort te bevorderen.\n\nDe voorbeelden van Qwen coderen zoekvragen en documenten apart, vergelijken hun vectoren met cosinusgelijkenis en tonen een procedure op lager niveau die de verborgen toestand van het laatste token neemt en de embedding normaliseert vóór een inproductvergelijking. Een nuttige werkwijze houdt de vector van elke passage bij de bronidentificatie, vergelijkt een voorbereide zoekvraag met opgeslagen vectoren en retourneert de bijbehorende passages in volgorde van gelijkenis. De afkapinstelling van 8.192 tokens in het voorbeeld is een gekozen invoerverwerkingsinstelling, niet de gedocumenteerde sequentielengte van 32K. Controleer wat behouden blijft als u lange invoer voorbereidt.\n\nEmbedding- en rerankingmodellen zijn verschillende onderdelen van de Qwen-release. Een embeddingmodel representeert één tekstsegment en maakt een eerste gelijkeniszoekactie mogelijk. Een afzonderlijke reranker beoordeelt de relatie tussen een zoekvraag en kandidaatpassages en kan hun volgorde verfijnen. Qwen beschrijft het combineren van beide modules, maar Qwen3-Embedding-8B zelf retourneert embeddings, geen relevantiebeoordeling van een reranker of geschreven antwoord. Behoud voor ophalen gevolgd door een antwoord de overeenkomende brontekst en geef dat bewijs aan de antwoordfase. Kies voor de doorzochte verzameling een model, dimensie en zoekvraaginstructie en houd deze consistent.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "76db5412a5154816df21b694f9fa23a5b6f68d53f2525a77d408bb2490d16a39", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl-be", "methods": [ { "html": "qwen/qwen3-embedding-8bQwen3-Embedding-8B zet tekst om in semantische vectoren voor meertalig zoeken, codeophaling, classificatie en clustering. Het ondersteunt een sequentielengte van 32K tokens en aangepaste embeddingdimensies van 32 tot 4.096.
Deze beschrijving gaat over de mogelijkheden van het model. De via Ailoot beschikbare invoer, uitvoer en opties staan hieronder voor de geselecteerde methode.
Qwen3-Embedding-8B is het 8B-tekstembeddingmodel van Qwen, opgebouwd vanuit het dense Qwen3-basismodel. Het representeert tekst als numerieke vectoren in plaats van gespreksantwoorden te genereren. Qwen noemt tekstophaling, codeophaling, classificatie, clustering en mining van parallelle teksten als ondersteunde toepassingsgebieden. Een zoeksysteem kan die vectoren gebruiken om een vraag met relevante passages te vergelijken; een documentenverzameling kan semantisch gerelateerd materiaal vinden of records in groepen organiseren.
Het exacte model ondersteunt een sequentielengte van 32K tokens en embeddings met maximaal 4.096 dimensies. Het ondersteunt ook door de gebruiker gedefinieerde uitvoerdimensies van 32 tot 4.096 via Matryoshka Representation Learning. Vectorlengte wordt daardoor een bewuste ontwerpkeuze: een kortere vector verandert de grootte van de representatie, terwijl volledige uitvoer de maximale dimensionaliteit van het model behoudt. Houd de gekozen dimensie consistent voor documenten en zoekvragen die in één index worden vergeleken. Qwen3-Embedding-4B is een afzonderlijke editie met een andere maximale dimensie, geen uitwisselbare vectorbron voor een bestaande 8B-verzameling.
De ontwikkelaar beschrijft ondersteuning voor meer dan 100 talen, waaronder programmeertalen, en voor meertalige, taaloverschrijdende en codeophaling. Een praktische verzameling kan documenten in meerdere talen bevatten terwijl zoekvragen relevante betekenis zoeken, of broncodepassages die voor een vraag in natuurlijke taal geïndexeerd zijn. Behoud belangrijke identificaties, titels en domeintermen in de invoer. Bewaar bij code de omliggende uitleg van de functie of module bij het fragment als die context bij de vraag hoort. De uitvoer blijft een vectorrepresentatie; de tekst van het overeenkomende document teruggeven is de volgende stap van de zoektoepassing.
Het model houdt rekening met instructies. Qwen raadt één zin als instructie aan, afgestemd op de ophaaltaak, en voor meertalig gebruik wordt aanbevolen die instructie in het Engels te schrijven. Het directe voorbeeld formatteert een zoekvraag met Instruct: gevolgd door de taakbeschrijving en Query: gevolgd door de vraag. De op te halen documenten hebben in dat voorbeeld niet hetzelfde instructievoorvoegsel nodig. Een passende oorspronkelijke opdracht kan beschrijven dat technische passages gezocht worden die een gebruikersfout uitleggen, en vervolgens de specifieke foutbeschrijving in de zoekvraag plaatsen. De instructie omschrijft welke semantische relatie de zoekopdracht hoort te bevorderen.
De voorbeelden van Qwen coderen zoekvragen en documenten apart, vergelijken hun vectoren met cosinusgelijkenis en tonen een procedure op lager niveau die de verborgen toestand van het laatste token neemt en de embedding normaliseert vóór een inproductvergelijking. Een nuttige werkwijze houdt de vector van elke passage bij de bronidentificatie, vergelijkt een voorbereide zoekvraag met opgeslagen vectoren en retourneert de bijbehorende passages in volgorde van gelijkenis. De afkapinstelling van 8.192 tokens in het voorbeeld is een gekozen invoerverwerkingsinstelling, niet de gedocumenteerde sequentielengte van 32K. Controleer wat behouden blijft als u lange invoer voorbereidt.
Embedding- en rerankingmodellen zijn verschillende onderdelen van de Qwen-release. Een embeddingmodel representeert één tekstsegment en maakt een eerste gelijkeniszoekactie mogelijk. Een afzonderlijke reranker beoordeelt de relatie tussen een zoekvraag en kandidaatpassages en kan hun volgorde verfijnen. Qwen beschrijft het combineren van beide modules, maar Qwen3-Embedding-8B zelf retourneert embeddings, geen relevantiebeoordeling van een reranker of geschreven antwoord. Behoud voor ophalen gevolgd door een antwoord de overeenkomende brontekst en geef dat bewijs aan de antwoordfase. Kies voor de doorzochte verzameling een model, dimensie en zoekvraaginstructie en houd deze consistent.
POST /v1/embeddingstext, token_idsembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-embedding-8b | Standaard— |
Veldinput | Typestring|string[]|integer[]|integer[][] | VereisteVereist | Waarden en limieten Minimumaantal items: 1 Voorwaarden: Niet-lege homogene batch. Token-ID's zijn niet-negatieve gehele getallen. Invoerbudget: Maximum: 32.768 · Teksteenheid: UTF8-bytes · Tokeneenheid: elementen van de token-array | Standaard— |
Veldencoding_format | Typestring | VereisteOptioneel | Waarden en limieten float | Standaardfloat |
Velddimensions | Typeinteger | VereisteNiet ondersteund | Waarden en limieten Minimum: 1 | Standaard— |
Velduser | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldsession_id | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldtrace | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de precieze betekenis bij de achterliggende leverancier is modelspecifiek. | Standaard— |
Veldprovider | Typeobject | VereisteOptioneel | Waarden en limieten Voorwaarden: provider.options geweigerd | Standaard— |
text_to_embedding
| Parameter | Contract |
|---|---|
Parametercontent_type | Contractapplication/json |
Parameterrequired | Contractmodel, input |
Parameterinput_shapes | Contractstring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parameterencoding_format | Contractfloat |
Parameterdimensions_override | Contractfalse |
Parametermax_input_budget_units | Contract32768 |
Parametermultimodal_objects | Contractfalse |
Parametermaterial_types | Contracttext, token_ids |
Levenscyclus: synchronous_json
Bewaar elke vectorindex en -dimensie.
Ook bij een multimodale modelnaam zijn afbeeldingsobjecten op dit specifieke pad niet toegestaan.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00002 / 1K tokens Uitvoer · Uitvoertokens $0 / 1K tokens Invoer · Cache lezen — / 1K tokens Invoer · Cache schrijven — / 1K tokens Invoer · Cache schrijven, 1 uur — / 1K tokens |
Ailoot reserveert vóór een verzoek een geschat bedrag. Na het resultaat worden de uiteindelijke kosten afgerekend op basis van het gemeten verbruik. Bij streaming gebeurt de afrekening op basis van de definitieve verbruiksregistratie. Zo werken reservering en afrekening →
set -eu\n: "${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
Bewaar elk volledig teruggegeven antwoord, bestand en inhoudsonderdeel.
Bewaar elke vector met zijn index. Het aantal vectoren moet gelijk zijn aan het aantal invoeritems; de dimensies moeten consistent zijn.
Er wordt geen endpoint voor embeddingtaken toegevoegd.
| Veld | Type |
|---|---|
Veldobject | Typestring |
Veldmodel | Typestring |
Velddata[].index | Typeinteger |
Velddata[].embedding | Typefinite float[] |
Veldusage | Typeobject |
| Antwoord | Voorwaarde | Volgende stap |
|---|---|---|
Antwoord400 · invalid_request_error | VoorwaardeVerplichte velden, de materiaalrepresentatie of een parameterwaarde zijn ongeldig | Volgende stapCorrigeer de aangegeven velden vóór een nieuwe aanmaakaanvraag. |
Ailoot Ultra qwen/qwen3-embedding-8b
Gebruik de hierboven getoonde methodepaden.