Source: https://ailoot.ai/models/pt-pt/qwen-qwen3-embedding-8b/ Canonical: https://ailoot.ai/models/pt-pt/qwen-qwen3-embedding-8b/ Language: pt-pt # Qwen: Qwen3 Embedding 8B [Markdown](https://ailoot.ai/models/pt-pt/qwen-qwen3-embedding-8b/index.md) · [JSON](https://ailoot.ai/models/pt-pt/qwen-qwen3-embedding-8b/facts.json) ## [Qwen: Qwen3 Embedding 8B](https://ailoot.ai/models/pt-pt/qwen-qwen3-embedding-8b/) Qwen3-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. - [**Ailoot Ultra · Embeddings** `POST /v1/embeddings` `qwen/qwen3-embedding-8b`](https://ailoot.ai/models/pt-pt/qwen-qwen3-embedding-8b/#method-0) Sobre o modelo 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. **Ailoot Ultra · Embeddings** `POST /v1/embeddings` `qwen/qwen3-embedding-8b` [`qwen/qwen3-embedding-8b`](https://ailoot.ai/models/pt-pt/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings) Alibaba /`qwen/qwen3-embedding-8b` ### Introdução Qwen3-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. Entradas aceites Texto · token\_ids Resultados embedding ### Disponível no Ailoot · entradas e métodos **Ailoot Ultra · Embeddings** `POST /v1/embeddings` Entrada `text`, `token_ids` Saída `embedding` Contexto 32 768 tokens Formato de saída json | Campo | Tipo | Requisito | Valores e limites | Predefinição | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObrigatório | Valores e limites qwen/qwen3-embedding-8b | Predefinição— | | Campo`input` | Tipo`string\|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— | | Campo`encoding_format` | Tipo`string` | RequisitoOpcional | Valores e limites float | Predefiniçãofloat | | Campo`dimensions` | Tipo`integer` | RequisitoNão suportado | Valores e limites Mínimo: 1 | Predefinição— | | Campo`user` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`session_id` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`trace` | Tipo`json_value` | RequisitoOpcional | Valores e limites Condições: A fonte permite este campo de metadados JSON; a semântica exata a montante depende do modelo. | Predefinição— | | Campo`provider` | Tipo`object` | RequisitoOpcional | Valores e limites Condições: provider.options rejeitado | Predefinição— | Combinações de materiais de entrada **text\_to\_embedding** Parâmetros e ciclo de vida do método | Parâmetro | Contrato | | --- | --- | | Parâmetro`content_type` | Contratoapplication/json | | Parâmetro`required` | Contratomodel, input | | Parâmetro`input_shapes` | Contratostring, string\[\], nonnegative\_integer\_token\_array, nonnegative\_integer\_token\_array\[\] | | Parâmetro`encoding_format` | Contratofloat | | Parâmetro`dimensions_override` | Contratofalse | | Parâmetro`max_input_budget_units` | Contrato32768 | | Parâmetro`multimodal_objects` | Contratofalse | | Parâmetro`material_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. ### Tarifários As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado. Modo rápido Tarifa normal Quando o modo rápido está selecionado Modo flex Tarifa normal Quando o modo flex está selecionado Esforço máximo de raciocínio Tarifa normal Quando o esforço máximo de raciocínio usa o ajuste predefinido (default) #### Tarifas Ailoot #### Preços por configuração | 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 **$0** / 1K tokens Entrada · Leitura da cache **—** / 1K tokens Entrada · Escrita na cache **—** / 1K tokens Entrada · Escrita na cache, 1 hora **—** / 1K tokens | O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. [Como funcionam a reserva e a liquidação →](https://ailoot.ai/docs/pt-pt/billing/reserve/) ### Exemplos de pedidos #### Ailoot Ultra · Embeddings curlPython SDK ```bash set -eu : "${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) ``` ### Receber e guardar os resultados #### Ailoot Ultra · Embeddings json ##### Guardar todos os resultados concluídos 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. ##### Se for necessário verificar a resposta original Não é introduzido nenhum endpoint de tarefas de embeddings. Campos da resposta | Campo | Tipo | | --- | --- | | Campo`object` | Tipostring | | Campo`model` | Tipostring | | Campo`data[].index` | Tipointeger | | Campo`data[].embedding` | Tipofinite float\[\] | | Campo`usage` | Tipoobject | Erros e passos seguintes | 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. | ### Aliases #### Aliases do modelo **Ailoot Ultra** [`qwen/qwen3-embedding-8b`](https://ailoot.ai/models/pt-pt/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings) #### Aliases dos caminhos dos métodos Use os caminhos dos métodos indicados acima. #### IDs de chamada relacionados [`qwen/qwen3-embedding-8b`](https://ailoot.ai/models/pt-pt/#m=qwen%2Fqwen3-embedding-8b&route=Ultra&caller=qwen%2Fqwen3-embedding-8b&fmt=embeddings) FAQ · Qwen: Qwen3 Embedding 8B Que entradas e resultados estão disponíveis? `POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `text`, `token_ids` → `embedding` Que campos utiliza o pedido? `POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `model`, `input`, `encoding_format`, `provider` Que limites se aplicam? `POST /v1/embeddings` · `qwen/qwen3-embedding-8b`: `ctx`: `32768`; `input.budget.maximum`: `32768` (bytes UTF8); `input.min_items`: `1` Ligue o Ailoot ao Claude Code, OpenCode, Hermes ou à sua aplicação. ## A empresa e a sua carteira de projetos A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. ## Compre tokens com desconto. Desconto por subscrição para trabalho regular. Códigos promocionais — até 50% na compra de tokens. Subscrição Escolha um plano com desconto para os pedidos regulares. Código promocional até 50% Introduza o código na compra. O preço é recalculado conforme a campanha em vigor. Custos no histórico O modelo, os tokens e o montante são guardados para cada pedido. [Escolher subscrição](https://ailoot.ai/docs/pt-pt/billing/subscriptions/) · [Ver preços dos modelos](https://ailoot.ai/models/pt-pt/) ## Ligue a API ao produto que vende. SaaS, aplicações e bots — ao abrigo da oferta e do contrato de licença Ailoot. Para revenda, peça uma licença de revendedor. Aplicação comercial Integre geração de texto, imagens, vídeo e som nas funcionalidades pagas do seu serviço. Licença de revendedor Envie uma descrição do projeto e do modelo de acesso. Peça condições escritas de utilização e revenda. Documentos no site A oferta, o contrato de licença e a política de tratamento de dados estão disponíveis antes da ligação. [Pedir licença de revendedor](mailto:support@ailoot.ai) · [Oferta e contrato de licença](https://ailoot.ai/legal/offer?lang=pt-pt) ## Ailoot · A empresa e a sua carteira de projetos A Ailoot assenta numa experiência operacional consolidada, numa ampla base de clientes, num serviço estável e no acompanhamento contínuo dos KPI. A empresa e a sua carteira de projetos: milhões de clientes; vendas mensais na ordem dos milhares de milhões. A Ailoot aplica essa experiência operacional ao acesso por API a funcionalidades de IA nos produtos dos clientes, agentes, aplicações e automatizações.