Qwen3-Embedding-4B é a edição 4B de embeddings de texto da família de embeddings e reordenação da Qwen. Construído sobre o modelo de base denso Qwen3, converte um segmento de texto numa representação numérica do seu significado. A Qwen identifica a recuperação de texto, a recuperação de código, a classificação, o agrupamento e a extração de textos paralelos como áreas de aplicação. É útil quando uma aplicação precisa de encontrar passagens relacionadas, agrupar registos semelhantes ou comparar texto entre línguas. A saída do modelo é um vetor de embedding, não uma resposta de conversa nem um documento reescrito.
Esta edição específica tem um comprimento de sequência de 32K tokens e uma dimensão de embedding de até 2 560. Suporta dimensões de saída personalizáveis de 32 a 2 560 através de Matryoshka Representation Learning. O comprimento do vetor escolhido afeta a forma como a representação é armazenada e comparada, pelo que deve ser consistente entre os vetores de consulta e de documento numa mesma coleção. Qwen3-Embedding-8B tem um tamanho de modelo diferente e um máximo de 4 096 dimensões; nem esse tamanho de saída nem a identidade do modelo 8B se transferem para esta edição 4B. Um índice existente deve manter as suas próprias opções de representação consistentes.
O fabricante descreve suporte de mais de 100 línguas, incluindo linguagens de programação, com recuperação multilingue, entre línguas e de código. Uma pesquisa exemplificativa num centro de ajuda pode comparar a pergunta de um utilizador com passagens escritas em várias línguas e devolver depois as passagens originais que correspondem ao tema. Uma pesquisa de código pode comparar uma descrição em linguagem natural com funções relevantes e a respetiva documentação. Preserve títulos significativos, termos do domínio e identificadores ao preparar o texto, e mantenha cada passagem representada ligada à sua fonte, para que a aplicação possa mostrar o material correspondente.
Qwen3-Embedding-4B tem em conta as instruções. A Qwen recomenda dar a cada consulta uma descrição da tarefa numa frase, adaptada à relação de recuperação pretendida, e recomenda instruções em inglês para cenários multilingues. O exemplo direto coloca Instruct: antes da descrição da tarefa e Query: antes do texto da consulta. Os documentos de recuperação são codificados sem essa instrução da consulta. Uma instrução prática original pode especificar a procura de passagens de documentação que expliquem um erro comunicado ou de excertos de código-fonte que implementem o comportamento descrito. Isto orienta a representação para a pergunta da aplicação, em vez de pedir ao modelo que escreva uma resposta.
Os exemplos oficiais codificam os textos das consultas e dos documentos, comparam os seus embeddings através da similaridade do cosseno e demonstram o pooling do estado oculto do último token, seguido de normalização. Nesse exemplo de nível mais baixo, a entrada é truncada numa definição escolhida de 8 192 tokens; o comprimento de sequência documentado do modelo continua a ser 32K. Para material longo, decida que passagens representar e certifique-se de que o truncamento não descarta silenciosamente a parte de que a consulta precisa. Armazene os vetores com referências estáveis às fontes, compare a consulta preparada com a coleção e devolva as passagens associadas por ordem de similaridade.
O modelo de embeddings da Qwen utiliza uma abordagem dual-encoder, enquanto os seus modelos de reordenação separados utilizam um cross-encoder para avaliar pares consulta–documento. A publicação descreve a utilização conjunta destes módulos: os embeddings encontram os candidatos iniciais, e um reranker pode depois aperfeiçoar a sua ordem. Qwen3-Embedding-4B fornece, por si só, a representação de um único texto. O seu vetor não é uma pontuação de reordenação, uma afirmação verificada nem uma resposta gerada. Se o processo final responder a perguntas a partir do material recuperado, as passagens selecionadas das fontes continuam a ser os elementos que fundamentam essa etapa posterior.
", "aboutText": "Qwen3-Embedding-4B é a edição 4B de embeddings de texto da família de embeddings e reordenação da Qwen. Construído sobre o modelo de base denso Qwen3, converte um segmento de texto numa representação numérica do seu significado. A Qwen identifica a recuperação de texto, a recuperação de código, a classificação, o agrupamento e a extração de textos paralelos como áreas de aplicação. É útil quando uma aplicação precisa de encontrar passagens relacionadas, agrupar registos semelhantes ou comparar texto entre línguas. A saída do modelo é um vetor de embedding, não uma resposta de conversa nem um documento reescrito.\n\nEsta edição específica tem um comprimento de sequência de 32K tokens e uma dimensão de embedding de até 2 560. Suporta dimensões de saída personalizáveis de 32 a 2 560 através de Matryoshka Representation Learning. O comprimento do vetor escolhido afeta a forma como a representação é armazenada e comparada, pelo que deve ser consistente entre os vetores de consulta e de documento numa mesma coleção. Qwen3-Embedding-8B tem um tamanho de modelo diferente e um máximo de 4 096 dimensões; nem esse tamanho de saída nem a identidade do modelo 8B se transferem para esta edição 4B. Um índice existente deve manter as suas próprias opções de representação consistentes.\n\nO fabricante descreve suporte de mais de 100 línguas, incluindo linguagens de programação, com recuperação multilingue, entre línguas e de código. Uma pesquisa exemplificativa num centro de ajuda pode comparar a pergunta de um utilizador com passagens escritas em várias línguas e devolver depois as passagens originais que correspondem ao tema. Uma pesquisa de código pode comparar uma descrição em linguagem natural com funções relevantes e a respetiva documentação. Preserve títulos significativos, termos do domínio e identificadores ao preparar o texto, e mantenha cada passagem representada ligada à sua fonte, para que a aplicação possa mostrar o material correspondente.\n\nQwen3-Embedding-4B tem em conta as instruções. A Qwen recomenda dar a cada consulta uma descrição da tarefa numa frase, adaptada à relação de recuperação pretendida, e recomenda instruções em inglês para cenários multilingues. O exemplo direto coloca Instruct: antes da descrição da tarefa e Query: antes do texto da consulta. Os documentos de recuperação são codificados sem essa instrução da consulta. Uma instrução prática original pode especificar a procura de passagens de documentação que expliquem um erro comunicado ou de excertos de código-fonte que implementem o comportamento descrito. Isto orienta a representação para a pergunta da aplicação, em vez de pedir ao modelo que escreva uma resposta.\n\nOs exemplos oficiais codificam os textos das consultas e dos documentos, comparam os seus embeddings através da similaridade do cosseno e demonstram o pooling do estado oculto do último token, seguido de normalização. Nesse exemplo de nível mais baixo, a entrada é truncada numa definição escolhida de 8 192 tokens; o comprimento de sequência documentado do modelo continua a ser 32K. Para material longo, decida que passagens representar e certifique-se de que o truncamento não descarta silenciosamente a parte de que a consulta precisa. Armazene os vetores com referências estáveis às fontes, compare a consulta preparada com a coleção e devolva as passagens associadas por ordem de similaridade.\n\nO modelo de embeddings da Qwen utiliza uma abordagem dual-encoder, enquanto os seus modelos de reordenação separados utilizam um cross-encoder para avaliar pares consulta–documento. A publicação descreve a utilização conjunta destes módulos: os embeddings encontram os candidatos iniciais, e um reranker pode depois aperfeiçoar a sua ordem. Qwen3-Embedding-4B fornece, por si só, a representação de um único texto. O seu vetor não é uma pontuação de reordenação, uma afirmação verificada nem uma resposta gerada. Se o processo final responder a perguntas a partir do material recuperado, as passagens selecionadas das fontes continuam a ser os elementos que fundamentam essa etapa posterior.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "64978fe29bb7f99d3e4a82f43376e490db1b507d226a999235f5280c251fbbd4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "qwen/qwen3-embedding-4bQwen3-Embedding-4B representa texto como vetores semânticos para recuperação multilingue de informação, pesquisa de código, classificação e agrupamento. Este modelo 4B suporta sequências de 32K tokens e dimensões vetoriais personalizáveis de 32 a 2 560.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3-Embedding-4B é a edição 4B de embeddings de texto da família de embeddings e reordenação da Qwen. Construído sobre o modelo de base denso Qwen3, converte um segmento de texto numa representação numérica do seu significado. A Qwen identifica a recuperação de texto, a recuperação de código, a classificação, o agrupamento e a extração de textos paralelos como áreas de aplicação. É útil quando uma aplicação precisa de encontrar passagens relacionadas, agrupar registos semelhantes ou comparar texto entre línguas. A saída do modelo é um vetor de embedding, não uma resposta de conversa nem um documento reescrito.
Esta edição específica tem um comprimento de sequência de 32K tokens e uma dimensão de embedding de até 2 560. Suporta dimensões de saída personalizáveis de 32 a 2 560 através de Matryoshka Representation Learning. O comprimento do vetor escolhido afeta a forma como a representação é armazenada e comparada, pelo que deve ser consistente entre os vetores de consulta e de documento numa mesma coleção. Qwen3-Embedding-8B tem um tamanho de modelo diferente e um máximo de 4 096 dimensões; nem esse tamanho de saída nem a identidade do modelo 8B se transferem para esta edição 4B. Um índice existente deve manter as suas próprias opções de representação consistentes.
O fabricante descreve suporte de mais de 100 línguas, incluindo linguagens de programação, com recuperação multilingue, entre línguas e de código. Uma pesquisa exemplificativa num centro de ajuda pode comparar a pergunta de um utilizador com passagens escritas em várias línguas e devolver depois as passagens originais que correspondem ao tema. Uma pesquisa de código pode comparar uma descrição em linguagem natural com funções relevantes e a respetiva documentação. Preserve títulos significativos, termos do domínio e identificadores ao preparar o texto, e mantenha cada passagem representada ligada à sua fonte, para que a aplicação possa mostrar o material correspondente.
Qwen3-Embedding-4B tem em conta as instruções. A Qwen recomenda dar a cada consulta uma descrição da tarefa numa frase, adaptada à relação de recuperação pretendida, e recomenda instruções em inglês para cenários multilingues. O exemplo direto coloca Instruct: antes da descrição da tarefa e Query: antes do texto da consulta. Os documentos de recuperação são codificados sem essa instrução da consulta. Uma instrução prática original pode especificar a procura de passagens de documentação que expliquem um erro comunicado ou de excertos de código-fonte que implementem o comportamento descrito. Isto orienta a representação para a pergunta da aplicação, em vez de pedir ao modelo que escreva uma resposta.
Os exemplos oficiais codificam os textos das consultas e dos documentos, comparam os seus embeddings através da similaridade do cosseno e demonstram o pooling do estado oculto do último token, seguido de normalização. Nesse exemplo de nível mais baixo, a entrada é truncada numa definição escolhida de 8 192 tokens; o comprimento de sequência documentado do modelo continua a ser 32K. Para material longo, decida que passagens representar e certifique-se de que o truncamento não descarta silenciosamente a parte de que a consulta precisa. Armazene os vetores com referências estáveis às fontes, compare a consulta preparada com a coleção e devolva as passagens associadas por ordem de similaridade.
O modelo de embeddings da Qwen utiliza uma abordagem dual-encoder, enquanto os seus modelos de reordenação separados utilizam um cross-encoder para avaliar pares consulta–documento. A publicação descreve a utilização conjunta destes módulos: os embeddings encontram os candidatos iniciais, e um reranker pode depois aperfeiçoar a sua ordem. Qwen3-Embedding-4B fornece, por si só, a representação de um único texto. O seu vetor não é uma pontuação de reordenação, uma afirmação verificada nem uma resposta gerada. Se o processo final responder a perguntas a partir do material recuperado, as passagens selecionadas das fontes continuam a ser os elementos que fundamentam essa etapa posterior.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3-embedding-4b | Predefinição— |
Campoinput | Tipostring|string[]|integer[]|integer[][] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 Condições: Lote homogéneo não vazio. Os IDs de tokens são números inteiros não negativos. Orçamento de entrada: Máximo: 32 768 · Unidade de texto: bytes UTF8 · Unidade de tokens: elementos do array de tokens | Predefinição— |
Campoencoding_format | Tipostring | RequisitoOpcional | Valores e limites float | Predefiniçãofloat |
Campodimensions | Tipointeger | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— |
Campouser | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Camposession_id | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campotrace | Tipojson_value | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— |
text_to_embedding
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input |
Parâmetroinput_shapes | Contratostring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parâmetroencoding_format | Contratofloat |
Parâmetrodimensions_override | Contratofalse |
Parâmetromax_input_budget_units | Contrato32768 |
Parâmetromultimodal_objects | Contratofalse |
Parâmetromaterial_types | Contratotext, token_ids |
Ciclo de vida: synchronous_json
Guarde o índice e a dimensão de cada vetor.
O nome do modelo multimodal não permite objetos de imagem neste caminho exato.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
| Configuração | Tabela de tarifas | Custo |
|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Custo Entrada · Tokens de entrada $0.00004 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde cada vetor com o respetivo índice. O número de vetores tem de ser igual ao número de entradas; as dimensões têm de ser consistentes.
Não é introduzido nenhum endpoint de tarefas de embeddings.
| Campo | Tipo |
|---|---|
Campoobject | Tipostring |
Campomodel | Tipostring |
Campodata[].index | Tipointeger |
Campodata[].embedding | Tipofinite float[] |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra qwen/qwen3-embedding-4b
Use os caminhos dos métodos indicados acima.