Qwen3-Embedding-8B é o modelo de embeddings de texto 8B da Qwen, construído a partir do modelo de base denso Qwen3. Representa texto sob a forma de vetores numéricos, em vez de gerar respostas de conversação. A Qwen inclui a recuperação de texto, a recuperação de código, a classificação, o agrupamento e a mineração de bitextos nas áreas de aplicação suportadas. Um sistema de pesquisa pode usar estes vetores para comparar uma pergunta com passagens relevantes; uma coleção de documentos pode usá-los para encontrar material semanticamente relacionado ou organizar registos em grupos.
O modelo exato suporta sequências de 32K tokens e embeddings de até 4 096 dimensões. Também suporta dimensões de saída definidas pelo utilizador, de 32 a 4 096, através de Matryoshka Representation Learning. Isto torna o comprimento do vetor uma escolha deliberada de conceção: um vetor mais curto altera o tamanho da representação, enquanto a saída completa preserva a dimensionalidade máxima do modelo. Mantenha a dimensão escolhida consistente entre os documentos e as consultas comparados num mesmo índice. Qwen3-Embedding-4B é uma edição separada, com uma dimensão máxima diferente, não uma fonte de vetores intercambiável para uma coleção 8B existente.
O produtor descreve suporte para mais de 100 línguas, incluindo linguagens de programação, e recuperação multilingue, entre línguas e de código. Uma coleção prática pode conter documentos em várias línguas, com consultas que procuram o significado relevante, ou passagens de código-fonte indexadas para uma pergunta em linguagem natural. Preserve identificadores, títulos e termos do domínio importantes na entrada. Para código, mantenha a explicação que rodeia a função ou o módulo junto do excerto quando esse contexto fizer parte da pergunta. A saída continua a ser uma representação vetorial; devolver o texto do documento correspondente é o passo seguinte da aplicação de pesquisa.
O modelo tem em conta as instruções. A Qwen recomenda uma instrução de uma frase adaptada à tarefa de recuperação e, para utilização multilingue, recomenda escrever essa instrução em inglês. O exemplo direto formata uma consulta com Instruct: seguido da descrição da tarefa e Query: seguido da pergunta. Nesse exemplo, os documentos a recuperar não precisam do mesmo prefixo de instrução. Uma descrição original adequada pode indicar que se pretende encontrar passagens técnicas que expliquem o erro de um utilizador e colocar depois a descrição desse erro específico na consulta. A instrução descreve o tipo de relação semântica que a pesquisa deve favorecer.
Os exemplos da Qwen codificam consultas e documentos separadamente, comparam os seus vetores usando a similaridade de cosseno e mostram um procedimento de nível inferior que extrai o estado oculto do token final e normaliza o embedding antes de uma comparação por produto escalar. Um fluxo de trabalho útil mantém o vetor de cada passagem ligado ao seu identificador de origem, compara uma consulta preparada com os vetores armazenados e devolve as passagens correspondentes por ordem de similaridade. A definição de truncamento em 8 192 tokens do exemplo é uma escolha de processamento da entrada, distinta do comprimento de sequência de 32K documentado para o modelo. Analise o que fica retido ao preparar entradas longas.
Os modelos de embeddings e de reordenação são componentes diferentes da oferta da Qwen. Um modelo de embeddings representa um segmento de texto e permite uma pesquisa inicial por similaridade. Um reranker separado avalia a relação entre uma consulta e as passagens candidatas e pode aperfeiçoar a sua ordem. A Qwen descreve a combinação dos dois módulos, mas Qwen3-Embedding-8B devolve embeddings, não uma avaliação de relevância de um reranker nem uma resposta escrita. Para recuperação seguida de uma resposta, preserve o texto-fonte correspondente e passe esses elementos à etapa de resposta. Escolha e mantenha consistentes o modelo, a dimensão e a instrução de consulta para a coleção em que pesquisa.
", "aboutText": "Qwen3-Embedding-8B é o modelo de embeddings de texto 8B da Qwen, construído a partir do modelo de base denso Qwen3. Representa texto sob a forma de vetores numéricos, em vez de gerar respostas de conversação. A Qwen inclui a recuperação de texto, a recuperação de código, a classificação, o agrupamento e a mineração de bitextos nas áreas de aplicação suportadas. Um sistema de pesquisa pode usar estes vetores para comparar uma pergunta com passagens relevantes; uma coleção de documentos pode usá-los para encontrar material semanticamente relacionado ou organizar registos em grupos.\n\nO modelo exato suporta sequências de 32K tokens e embeddings de até 4 096 dimensões. Também suporta dimensões de saída definidas pelo utilizador, de 32 a 4 096, através de Matryoshka Representation Learning. Isto torna o comprimento do vetor uma escolha deliberada de conceção: um vetor mais curto altera o tamanho da representação, enquanto a saída completa preserva a dimensionalidade máxima do modelo. Mantenha a dimensão escolhida consistente entre os documentos e as consultas comparados num mesmo índice. Qwen3-Embedding-4B é uma edição separada, com uma dimensão máxima diferente, não uma fonte de vetores intercambiável para uma coleção 8B existente.\n\nO produtor descreve suporte para mais de 100 línguas, incluindo linguagens de programação, e recuperação multilingue, entre línguas e de código. Uma coleção prática pode conter documentos em várias línguas, com consultas que procuram o significado relevante, ou passagens de código-fonte indexadas para uma pergunta em linguagem natural. Preserve identificadores, títulos e termos do domínio importantes na entrada. Para código, mantenha a explicação que rodeia a função ou o módulo junto do excerto quando esse contexto fizer parte da pergunta. A saída continua a ser uma representação vetorial; devolver o texto do documento correspondente é o passo seguinte da aplicação de pesquisa.\n\nO modelo tem em conta as instruções. A Qwen recomenda uma instrução de uma frase adaptada à tarefa de recuperação e, para utilização multilingue, recomenda escrever essa instrução em inglês. O exemplo direto formata uma consulta com Instruct: seguido da descrição da tarefa e Query: seguido da pergunta. Nesse exemplo, os documentos a recuperar não precisam do mesmo prefixo de instrução. Uma descrição original adequada pode indicar que se pretende encontrar passagens técnicas que expliquem o erro de um utilizador e colocar depois a descrição desse erro específico na consulta. A instrução descreve o tipo de relação semântica que a pesquisa deve favorecer.\n\nOs exemplos da Qwen codificam consultas e documentos separadamente, comparam os seus vetores usando a similaridade de cosseno e mostram um procedimento de nível inferior que extrai o estado oculto do token final e normaliza o embedding antes de uma comparação por produto escalar. Um fluxo de trabalho útil mantém o vetor de cada passagem ligado ao seu identificador de origem, compara uma consulta preparada com os vetores armazenados e devolve as passagens correspondentes por ordem de similaridade. A definição de truncamento em 8 192 tokens do exemplo é uma escolha de processamento da entrada, distinta do comprimento de sequência de 32K documentado para o modelo. Analise o que fica retido ao preparar entradas longas.\n\nOs modelos de embeddings e de reordenação são componentes diferentes da oferta da Qwen. Um modelo de embeddings representa um segmento de texto e permite uma pesquisa inicial por similaridade. Um reranker separado avalia a relação entre uma consulta e as passagens candidatas e pode aperfeiçoar a sua ordem. A Qwen descreve a combinação dos dois módulos, mas Qwen3-Embedding-8B devolve embeddings, não uma avaliação de relevância de um reranker nem uma resposta escrita. Para recuperação seguida de uma resposta, preserve o texto-fonte correspondente e passe esses elementos à etapa de resposta. Escolha e mantenha consistentes o modelo, a dimensão e a instrução de consulta para a coleção em que pesquisa.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b84989cbf0f4a2265a1a40a26e407f5f3c277baaccadc14f080b9e76f261b284", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "qwen/qwen3-embedding-8bQwen3-Embedding-8B transforma texto em vetores semânticos para pesquisa multilingue, recuperação de código, classificação e agrupamento. Suporta sequências de 32K tokens e dimensões de embeddings personalizadas de 32 a 4 096.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Qwen3-Embedding-8B é o modelo de embeddings de texto 8B da Qwen, construído a partir do modelo de base denso Qwen3. Representa texto sob a forma de vetores numéricos, em vez de gerar respostas de conversação. A Qwen inclui a recuperação de texto, a recuperação de código, a classificação, o agrupamento e a mineração de bitextos nas áreas de aplicação suportadas. Um sistema de pesquisa pode usar estes vetores para comparar uma pergunta com passagens relevantes; uma coleção de documentos pode usá-los para encontrar material semanticamente relacionado ou organizar registos em grupos.
O modelo exato suporta sequências de 32K tokens e embeddings de até 4 096 dimensões. Também suporta dimensões de saída definidas pelo utilizador, de 32 a 4 096, através de Matryoshka Representation Learning. Isto torna o comprimento do vetor uma escolha deliberada de conceção: um vetor mais curto altera o tamanho da representação, enquanto a saída completa preserva a dimensionalidade máxima do modelo. Mantenha a dimensão escolhida consistente entre os documentos e as consultas comparados num mesmo índice. Qwen3-Embedding-4B é uma edição separada, com uma dimensão máxima diferente, não uma fonte de vetores intercambiável para uma coleção 8B existente.
O produtor descreve suporte para mais de 100 línguas, incluindo linguagens de programação, e recuperação multilingue, entre línguas e de código. Uma coleção prática pode conter documentos em várias línguas, com consultas que procuram o significado relevante, ou passagens de código-fonte indexadas para uma pergunta em linguagem natural. Preserve identificadores, títulos e termos do domínio importantes na entrada. Para código, mantenha a explicação que rodeia a função ou o módulo junto do excerto quando esse contexto fizer parte da pergunta. A saída continua a ser uma representação vetorial; devolver o texto do documento correspondente é o passo seguinte da aplicação de pesquisa.
O modelo tem em conta as instruções. A Qwen recomenda uma instrução de uma frase adaptada à tarefa de recuperação e, para utilização multilingue, recomenda escrever essa instrução em inglês. O exemplo direto formata uma consulta com Instruct: seguido da descrição da tarefa e Query: seguido da pergunta. Nesse exemplo, os documentos a recuperar não precisam do mesmo prefixo de instrução. Uma descrição original adequada pode indicar que se pretende encontrar passagens técnicas que expliquem o erro de um utilizador e colocar depois a descrição desse erro específico na consulta. A instrução descreve o tipo de relação semântica que a pesquisa deve favorecer.
Os exemplos da Qwen codificam consultas e documentos separadamente, comparam os seus vetores usando a similaridade de cosseno e mostram um procedimento de nível inferior que extrai o estado oculto do token final e normaliza o embedding antes de uma comparação por produto escalar. Um fluxo de trabalho útil mantém o vetor de cada passagem ligado ao seu identificador de origem, compara uma consulta preparada com os vetores armazenados e devolve as passagens correspondentes por ordem de similaridade. A definição de truncamento em 8 192 tokens do exemplo é uma escolha de processamento da entrada, distinta do comprimento de sequência de 32K documentado para o modelo. Analise o que fica retido ao preparar entradas longas.
Os modelos de embeddings e de reordenação são componentes diferentes da oferta da Qwen. Um modelo de embeddings representa um segmento de texto e permite uma pesquisa inicial por similaridade. Um reranker separado avalia a relação entre uma consulta e as passagens candidatas e pode aperfeiçoar a sua ordem. A Qwen descreve a combinação dos dois módulos, mas Qwen3-Embedding-8B devolve embeddings, não uma avaliação de relevância de um reranker nem uma resposta escrita. Para recuperação seguida de uma resposta, preserve o texto-fonte correspondente e passe esses elementos à etapa de resposta. Escolha e mantenha consistentes o modelo, a dimensão e a instrução de consulta para a coleção em que pesquisa.
POST /v1/embeddingstext, token_idsembedding| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites qwen/qwen3-embedding-8b | 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 $0.00002 / 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-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
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-8b
Use os caminhos dos métodos indicados acima.