Qwen3-Embedding-4B is de 4B-editie voor tekstembeddings in Qwens familie voor embeddings en herrangschikking. Het model is gebouwd op het dense Qwen3-basismodel en zet een tekstsegment om in een numerieke weergave van de betekenis. Qwen noemt tekst zoeken, code zoeken, classificatie, clustering en het vinden van parallelle teksten als toepassingsgebieden. Het model is nuttig wanneer een toepassing verwante passages moet vinden, vergelijkbare records moet groeperen of teksten tussen talen moet vergelijken. De uitvoer is een embeddingvector, geen gespreksantwoord of herschreven document.
Deze specifieke editie heeft een sequentielengte van 32K tokens en een embeddingdimensie van maximaal 2.560. Het model ondersteunt aangepaste uitvoerdimensies van 32 tot 2.560 via Matryoshka Representation Learning. De gekozen vectorlengte beïnvloedt hoe de representatie wordt opgeslagen en vergeleken, dus houd die gelijk voor query- en documentvectoren binnen één verzameling. Qwen3-Embedding-8B heeft een andere modelomvang en een maximum van 4.096 dimensies; noch die uitvoeromvang, noch de identiteit van het 8B-model geldt voor deze 4B-editie. Een bestaande index moet zijn eigen consistente representatiekeuzes behouden.
De maker beschrijft ondersteuning voor meer dan 100 talen, waaronder programmeertalen, met meertalig, taaloverschrijdend en codegericht zoeken. Een voorbeeldzoekopdracht in een helpcentrum kan de vraag van een gebruiker vergelijken met passages in verschillende talen en vervolgens de originele passages teruggeven die bij het onderwerp passen. Een codezoekopdracht kan een beschrijving in natuurlijke taal vergelijken met relevante functies en hun documentatie. Bewaar betekenisvolle koppen, domeintermen en identificaties bij het voorbereiden van tekst. Houd elke gerepresenteerde passage gekoppeld aan de bron, zodat de toepassing het overeenkomende materiaal kan tonen.
Qwen3-Embedding-4B houdt rekening met instructies. Qwen adviseert elke query een taakbeschrijving van één zin mee te geven, afgestemd op de beoogde zoekrelatie, en raadt Engelse instructies aan voor meertalige situaties. Het directe voorbeeld plaatst Instruct: vóór de taakbeschrijving en Query: vóór de querytekst. De te doorzoeken documenten worden zonder die queryinstructie gecodeerd. Een praktische eigen instructie kan vragen om documentatiepassages die een gemelde fout uitleggen of om broncodefragmenten die het beschreven gedrag implementeren. Dit richt de representatie op de vraag van de toepassing, in plaats van het model te vragen een antwoord te schrijven.
De officiële voorbeelden coderen query- en documentteksten, vergelijken hun embeddings met cosinusgelijkenis en demonstreren pooling van de verborgen toestand van het laatste token, gevolgd door normalisatie. In dat voorbeeld op lager niveau wordt de invoer afgekapt volgens een gekozen instelling van 8.192 tokens; de gedocumenteerde sequentielengte van het model blijft 32K. Bepaal bij lang materiaal welke passages moeten worden gerepresenteerd en controleer of afkapping niet ongemerkt het deel verwijdert dat de query nodig heeft. Sla vectoren op met stabiele bronverwijzingen, vergelijk de voorbereide query met de verzameling en geef de bijbehorende passages terug in volgorde van gelijkenis.
Qwens embeddingmodel gebruikt een aanpak met twee encoders, terwijl de afzonderlijke modellen voor herrangschikking een cross-encoder gebruiken om query-documentparen te beoordelen. De aankondiging beschrijft hoe deze modules samen worden gebruikt: embeddings vinden de eerste kandidaten, waarna een reranker hun volgorde kan verfijnen. Qwen3-Embedding-4B zelf levert de representatie van één tekst. De vector is geen rerankerscore, geverifieerde uitspraak of gegenereerd antwoord. Als het uiteindelijke werkproces vragen beantwoordt op basis van gevonden materiaal, blijven de geselecteerde bronpassages het bewijsmateriaal dat aan die latere stap wordt doorgegeven.
", "aboutText": "Qwen3-Embedding-4B is de 4B-editie voor tekstembeddings in Qwens familie voor embeddings en herrangschikking. Het model is gebouwd op het dense Qwen3-basismodel en zet een tekstsegment om in een numerieke weergave van de betekenis. Qwen noemt tekst zoeken, code zoeken, classificatie, clustering en het vinden van parallelle teksten als toepassingsgebieden. Het model is nuttig wanneer een toepassing verwante passages moet vinden, vergelijkbare records moet groeperen of teksten tussen talen moet vergelijken. De uitvoer is een embeddingvector, geen gespreksantwoord of herschreven document.\n\nDeze specifieke editie heeft een sequentielengte van 32K tokens en een embeddingdimensie van maximaal 2.560. Het model ondersteunt aangepaste uitvoerdimensies van 32 tot 2.560 via Matryoshka Representation Learning. De gekozen vectorlengte beïnvloedt hoe de representatie wordt opgeslagen en vergeleken, dus houd die gelijk voor query- en documentvectoren binnen één verzameling. Qwen3-Embedding-8B heeft een andere modelomvang en een maximum van 4.096 dimensies; noch die uitvoeromvang, noch de identiteit van het 8B-model geldt voor deze 4B-editie. Een bestaande index moet zijn eigen consistente representatiekeuzes behouden.\n\nDe maker beschrijft ondersteuning voor meer dan 100 talen, waaronder programmeertalen, met meertalig, taaloverschrijdend en codegericht zoeken. Een voorbeeldzoekopdracht in een helpcentrum kan de vraag van een gebruiker vergelijken met passages in verschillende talen en vervolgens de originele passages teruggeven die bij het onderwerp passen. Een codezoekopdracht kan een beschrijving in natuurlijke taal vergelijken met relevante functies en hun documentatie. Bewaar betekenisvolle koppen, domeintermen en identificaties bij het voorbereiden van tekst. Houd elke gerepresenteerde passage gekoppeld aan de bron, zodat de toepassing het overeenkomende materiaal kan tonen.\n\nQwen3-Embedding-4B houdt rekening met instructies. Qwen adviseert elke query een taakbeschrijving van één zin mee te geven, afgestemd op de beoogde zoekrelatie, en raadt Engelse instructies aan voor meertalige situaties. Het directe voorbeeld plaatst Instruct: vóór de taakbeschrijving en Query: vóór de querytekst. De te doorzoeken documenten worden zonder die queryinstructie gecodeerd. Een praktische eigen instructie kan vragen om documentatiepassages die een gemelde fout uitleggen of om broncodefragmenten die het beschreven gedrag implementeren. Dit richt de representatie op de vraag van de toepassing, in plaats van het model te vragen een antwoord te schrijven.\n\nDe officiële voorbeelden coderen query- en documentteksten, vergelijken hun embeddings met cosinusgelijkenis en demonstreren pooling van de verborgen toestand van het laatste token, gevolgd door normalisatie. In dat voorbeeld op lager niveau wordt de invoer afgekapt volgens een gekozen instelling van 8.192 tokens; de gedocumenteerde sequentielengte van het model blijft 32K. Bepaal bij lang materiaal welke passages moeten worden gerepresenteerd en controleer of afkapping niet ongemerkt het deel verwijdert dat de query nodig heeft. Sla vectoren op met stabiele bronverwijzingen, vergelijk de voorbereide query met de verzameling en geef de bijbehorende passages terug in volgorde van gelijkenis.\n\nQwens embeddingmodel gebruikt een aanpak met twee encoders, terwijl de afzonderlijke modellen voor herrangschikking een cross-encoder gebruiken om query-documentparen te beoordelen. De aankondiging beschrijft hoe deze modules samen worden gebruikt: embeddings vinden de eerste kandidaten, waarna een reranker hun volgorde kan verfijnen. Qwen3-Embedding-4B zelf levert de representatie van één tekst. De vector is geen rerankerscore, geverifieerde uitspraak of gegenereerd antwoord. Als het uiteindelijke werkproces vragen beantwoordt op basis van gevonden materiaal, blijven de geselecteerde bronpassages het bewijsmateriaal dat aan die latere stap wordt doorgegeven.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "dbae96c0eb68a07171aa1a2dbf46695097b3f4bab6c82d8b2939ff38ec4222df", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nl", "methods": [ { "html": "qwen/qwen3-embedding-4bQwen3-Embedding-4B zet tekst om in semantische vectoren voor meertalig zoeken, code zoeken, classificatie en clustering. Dit 4B-model ondersteunt een sequentielengte van 32K tokens en aangepaste vectordimensies van 32 tot 2.560.
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-4B is de 4B-editie voor tekstembeddings in Qwens familie voor embeddings en herrangschikking. Het model is gebouwd op het dense Qwen3-basismodel en zet een tekstsegment om in een numerieke weergave van de betekenis. Qwen noemt tekst zoeken, code zoeken, classificatie, clustering en het vinden van parallelle teksten als toepassingsgebieden. Het model is nuttig wanneer een toepassing verwante passages moet vinden, vergelijkbare records moet groeperen of teksten tussen talen moet vergelijken. De uitvoer is een embeddingvector, geen gespreksantwoord of herschreven document.
Deze specifieke editie heeft een sequentielengte van 32K tokens en een embeddingdimensie van maximaal 2.560. Het model ondersteunt aangepaste uitvoerdimensies van 32 tot 2.560 via Matryoshka Representation Learning. De gekozen vectorlengte beïnvloedt hoe de representatie wordt opgeslagen en vergeleken, dus houd die gelijk voor query- en documentvectoren binnen één verzameling. Qwen3-Embedding-8B heeft een andere modelomvang en een maximum van 4.096 dimensies; noch die uitvoeromvang, noch de identiteit van het 8B-model geldt voor deze 4B-editie. Een bestaande index moet zijn eigen consistente representatiekeuzes behouden.
De maker beschrijft ondersteuning voor meer dan 100 talen, waaronder programmeertalen, met meertalig, taaloverschrijdend en codegericht zoeken. Een voorbeeldzoekopdracht in een helpcentrum kan de vraag van een gebruiker vergelijken met passages in verschillende talen en vervolgens de originele passages teruggeven die bij het onderwerp passen. Een codezoekopdracht kan een beschrijving in natuurlijke taal vergelijken met relevante functies en hun documentatie. Bewaar betekenisvolle koppen, domeintermen en identificaties bij het voorbereiden van tekst. Houd elke gerepresenteerde passage gekoppeld aan de bron, zodat de toepassing het overeenkomende materiaal kan tonen.
Qwen3-Embedding-4B houdt rekening met instructies. Qwen adviseert elke query een taakbeschrijving van één zin mee te geven, afgestemd op de beoogde zoekrelatie, en raadt Engelse instructies aan voor meertalige situaties. Het directe voorbeeld plaatst Instruct: vóór de taakbeschrijving en Query: vóór de querytekst. De te doorzoeken documenten worden zonder die queryinstructie gecodeerd. Een praktische eigen instructie kan vragen om documentatiepassages die een gemelde fout uitleggen of om broncodefragmenten die het beschreven gedrag implementeren. Dit richt de representatie op de vraag van de toepassing, in plaats van het model te vragen een antwoord te schrijven.
De officiële voorbeelden coderen query- en documentteksten, vergelijken hun embeddings met cosinusgelijkenis en demonstreren pooling van de verborgen toestand van het laatste token, gevolgd door normalisatie. In dat voorbeeld op lager niveau wordt de invoer afgekapt volgens een gekozen instelling van 8.192 tokens; de gedocumenteerde sequentielengte van het model blijft 32K. Bepaal bij lang materiaal welke passages moeten worden gerepresenteerd en controleer of afkapping niet ongemerkt het deel verwijdert dat de query nodig heeft. Sla vectoren op met stabiele bronverwijzingen, vergelijk de voorbereide query met de verzameling en geef de bijbehorende passages terug in volgorde van gelijkenis.
Qwens embeddingmodel gebruikt een aanpak met twee encoders, terwijl de afzonderlijke modellen voor herrangschikking een cross-encoder gebruiken om query-documentparen te beoordelen. De aankondiging beschrijft hoe deze modules samen worden gebruikt: embeddings vinden de eerste kandidaten, waarna een reranker hun volgorde kan verfijnen. Qwen3-Embedding-4B zelf levert de representatie van één tekst. De vector is geen rerankerscore, geverifieerde uitspraak of gegenereerd antwoord. Als het uiteindelijke werkproces vragen beantwoordt op basis van gevonden materiaal, blijven de geselecteerde bronpassages het bewijsmateriaal dat aan die latere stap wordt doorgegeven.
POST /v1/embeddingstext, token_idsembedding| Veld | Type | Vereiste | Waarden en limieten | Standaard |
|---|---|---|---|---|
Veldmodel | Typestring | VereisteVereist | Waarden en limieten qwen/qwen3-embedding-4b | 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 exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldsession_id | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | Standaard— |
Veldtrace | Typejson_value | VereisteOptioneel | Waarden en limieten Voorwaarden: De bron staat dit JSON-metadataveld toe; de exacte betekenis bij de upstreamprovider verschilt per model. | 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.
Een multimodale modelnaam houdt niet in dat afbeeldingsobjecten op dit specifieke pad zijn toegestaan.
Tariefverwijzingen voegen geen verzoekopties toe. Ondersteunde parameters staan bij de geselecteerde methode.
| Configuratie | Tariefstaffel | Kosten |
|---|---|---|
| ConfiguratieBasistarieven voor tokens | TariefstaffelBasistarief | Kosten Invoer · Invoertokens $0.00004 / 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-4b", "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-4b',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 geïntroduceerd.
| 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-4b
Gebruik de hierboven getoonde methodepaden.