Qwen: Qwen3 Embedding 8B
Qwen3-Embedding-8B matnni ko‘p tilli qidirish, kod olish, tasniflash va klasterlash uchun semantik vektorlarga aylantiradi. U 32K tokenli ketma-ketlik uzunligi va 32 dan 4 096 gacha maxsus embedding o‘lchamlarini qo‘llab-quvvatlaydi.
Model haqida
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
Qwen3-Embedding-8B — zich Qwen3 asos modelidan qurilgan Qwen’ning 8B matn embedding modeli. U suhbat javobini yaratish o‘rniga matnni sonli vektorlar bilan ifodalaydi. Qwen qo‘llab-quvvatlanadigan sohalar qatorida matn olish, kod olish, tasniflash, klasterlash va ikki tilli matn juftlarini topishni sanaydi. Qidirish tizimi bu vektorlar orqali savolni tegishli parchalar bilan taqqoslaydi; hujjat to‘plami semantik bog‘liq materialni topish yoki yozuvlarni guruhlarga tashkil qilish uchun foydalanadi.
Aniq model 32K tokenli ketma-ketlik uzunligi va 4 096 o‘lchamgacha embeddinglarni qo‘llab-quvvatlaydi. Matryoshka Representation Learning orqali 32 dan 4 096 gacha foydalanuvchi belgilaydigan chiqish o‘lchamlarini ham qo‘llaydi. Bu vektor uzunligini ongli dizayn tanloviga aylantiradi: qisqaroq vektor ifoda hajmini o‘zgartiradi, to‘liq chiqish esa modelning maksimal o‘lchamligini saqlaydi. Bitta indeksda taqqoslanadigan hujjat va so‘rovlar uchun tanlangan o‘lchamni izchil saqlang. Qwen3-Embedding-4B mavjud 8B to‘plamga almashinadigan vektor manbasi emas, boshqa maksimal o‘lchamga ega alohida versiyadir.
Ishlab chiqaruvchi dasturlash tillarini ham o‘z ichiga olgan 100 dan ortiq til, ko‘p tilli, tillararo va kod qidirishni qo‘llashni tasvirlaydi. Amaliy to‘plam bir nechta tildagi hujjatlarni saqlab, so‘rovlar tegishli ma’noni izlashiga yoki tabiiy til savoli uchun indekslangan manba kodi parchalariga ega bo‘lishi mumkin. Kirishda muhim identifikatorlar, sarlavhalar va soha atamalarini saqlang. Kodda shu kontekst savolning bir qismi bo‘lsa, funksiya yoki modul atrofidagi izohni parcha bilan birga saqlang. Chiqish vektor ifodasi bo‘lib qoladi; mos hujjat matnini qaytarish qidirish ilovasining keyingi bosqichidir.
Model yo‘riqnomani hisobga oladi. Qwen qidirish vazifasiga mos bitta jumlalik ko‘rsatmani, ko‘p tilli foydalanishda esa uni ingliz tilida yozishni tavsiya qiladi. Bevosita misoli so‘rovni Instruct: ortidan vazifa tavsifi va Query: ortidan savol keladigan shaklda formatlaydi. Shu misolda qidiriladigan hujjatlarga ayni ko‘rsatma prefiksi kerak emas. Mos asl topshiriq foydalanuvchi xatosini izohlaydigan texnik parchalarni topishni tasvirlab, muayyan xato tavsifini so‘rovga joylashi mumkin. Ko‘rsatma qidiruv qaysi semantik aloqani afzal ko‘rishi kerakligini bildiradi.
Qwen misollari so‘rovlar va hujjatlarni alohida kodlaydi, vektorlarini kosinus o‘xshashligi bilan taqqoslaydi va oxirgi tokenning yashirin holatini yig‘ib, skalyar ko‘paytma taqqoslashidan oldin embeddingni normallashtiradigan quyi darajali tartibni ko‘rsatadi. Foydali jarayon har parcha vektorini manba identifikatori bilan birga saqlaydi, tayyor so‘rovni saqlangan vektorlar bilan taqqoslaydi va mos parchalarni o‘xshashlik tartibida qaytaradi. Misoldagi 8 192 tokenli kesish sozlamasi modelning hujjatlashtirilgan 32K ketma-ketlik uzunligidan farqli tanlangan kirishni qayta ishlash sozlamasidir. Uzun kirishda nima saqlanishini ko‘rib chiqing.
Embedding va qayta saralash modellari Qwen relizidagi turli komponentlardir. Embedding modeli bitta matn segmentini ifodalab, dastlabki o‘xshashlik qidirishga imkon beradi. Alohida reranker so‘rov va nomzod parchalar o‘rtasidagi aloqani baholab, tartibni aniqlashtiradi. Qwen ikki modulni birlashtirishni tasvirlaydi, lekin Qwen3-Embedding-8B o‘zi reranker’ning tegishlilik bahosi yoki yozma javob emas, embeddinglarni qaytaradi. Qidirishdan keyin javob berishda mos manba matnini saqlab, shu dalilni javob bosqichiga o‘tkazing. Qidiriladigan to‘plam uchun izchil model, o‘lcham va so‘rov ko‘rsatmasini tanlab, saqlang.
Ailoot Ultra · Embeddinglar POST /v1/embeddings qwen/qwen3-embedding-8b
qwen/qwen3-embedding-8bBoshlash
Qwen3-Embedding-8B matnni ko‘p tilli qidirish, kod olish, tasniflash va klasterlash uchun semantik vektorlarga aylantiradi. U 32K tokenli ketma-ketlik uzunligi va 32 dan 4 096 gacha maxsus embedding o‘lchamlarini qo‘llab-quvvatlaydi.
- Qabul qilinadigan kirish ma’lumotlari
- Matn · token_ids
- Natijalar
- embedding
Ailoot da mavjud · kirish ma’lumotlari va usullar
Ailoot Ultra · Embeddinglar POST /v1/embeddings
- Kirish
text,token_ids- Chiqish
embedding- Kontekst
- 32 768 tokens
- Chiqish formati
- json
| Maydon | Tur | Talab | Qiymatlar va cheklovlar | Standart |
|---|---|---|---|---|
Maydonmodel | Turstring | TalabMajburiy | Qiymatlar va cheklovlar qwen/qwen3-embedding-8b | Standart— |
Maydoninput | Turstring|string[]|integer[]|integer[][] | TalabMajburiy | Qiymatlar va cheklovlar Elementlarning eng kam soni: 1 Shartlar: Bo‘sh bo‘lmagan, bir xil turdagi elementlardan iborat paket. Token ID lari manfiy bo‘lmagan butun sonlardir. Kirish budjeti: Eng ko‘p: 32 768 · Matn birligi: UTF8 baytlari · Token birligi: Tokenlar massivi elementlari | Standart— |
Maydonencoding_format | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar float | Standartfloat |
Maydondimensions | Turinteger | TalabQo‘llab-quvvatlanmaydi | Qiymatlar va cheklovlar Eng kam: 1 | Standart— |
Maydonuser | Turjson_value | TalabIxtiyoriy | Qiymatlar va cheklovlar Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq. | Standart— |
Maydonsession_id | Turjson_value | TalabIxtiyoriy | Qiymatlar va cheklovlar Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq. | Standart— |
Maydontrace | Turjson_value | TalabIxtiyoriy | Qiymatlar va cheklovlar Shartlar: Manba ushbu JSON metama’lumot maydoniga ruxsat beradi; uning ta’minotchi xizmatidagi aniq ma’nosi modelga bog‘liq. | Standart— |
Maydonprovider | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar Shartlar: provider.options rad etildi | Standart— |
Kirish materiallari birikmalari
text_to_embedding
Usul parametrlari va hayot sikli
| Parametr | Parametr talablari |
|---|---|
Parametrcontent_type | Parametr talablariapplication/json |
Parametrrequired | Parametr talablarimodel, input |
Parametrinput_shapes | Parametr talablaristring, string[], nonnegative_integer_token_array, nonnegative_integer_token_array[] |
Parametrencoding_format | Parametr talablarifloat |
Parametrdimensions_override | Parametr talablarifalse |
Parametrmax_input_budget_units | Parametr talablari32768 |
Parametrmultimodal_objects | Parametr talablarifalse |
Parametrmaterial_types | Parametr talablaritext, token_ids |
Hayot sikli: synchronous_json
Har bir vektorning indeksi va o‘lchamini saqlang.
Model nomida multimodal deyilgani aynan shu yo‘nalishda rasm obyektlariga ruxsat borligini anglatmaydi.
Tariflar
Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.
- Tezkor rejim
- Standart tarif Tezkor rejim tanlanganda
- Flex rejimi
- Standart tarif flex rejimi tanlanganda
- Maksimal fikrlash darajasi
- Standart tarif Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda
Ailoot tariflari
Sozlamalar bo‘yicha narxlar
| Sozlama | Tariflar jadvali | To‘lov |
|---|---|---|
| SozlamaTokenlar uchun bazaviy tariflar | Tariflar jadvaliAsosiy tarif | To‘lov Kirish · Kirish tokenlari $0.00002 / 1K token Chiqish · Chiqish tokenlari $0 / 1K token Kirish · Keshdan o‘qish — / 1K token Kirish · Keshga yozish — / 1K token Kirish · Keshga yozish, 1 soat — / 1K token |
Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →
So‘rov namunalari
Ailoot Ultra · Embeddinglar
set -eu
: "${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
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)
Natijalarni olish va saqlash
Ailoot Ultra · Embeddinglar
json
Barcha tayyor natijalarni saqlash
Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.
Har bir vektorni indeksi bilan saqlang. Vektorlar soni kirish elementlari soniga teng bo‘lishi va o‘lchamlar bir xil bo‘lishi kerak.
Asl javobni tekshirish kerak bo‘lsa
Embedding vazifalari uchun endpoint qo‘shilmaydi.
Javob maydonlari
| Maydon | Tur |
|---|---|
Maydonobject | Turstring |
Maydonmodel | Turstring |
Maydondata[].index | Turinteger |
Maydondata[].embedding | Turfinite float[] |
Maydonusage | Turobject |
Xatolar va keyingi qadamlar
| Javob | Shart | Keyingi qadam |
|---|---|---|
Javob400 · invalid_request_error | ShartMajburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘ri | Keyingi qadamYangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating. |
Taxalluslar
Model taxalluslari
Ailoot Ultra qwen/qwen3-embedding-8b
Usul yo‘llari taxalluslari
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Chaqirish uchun tegishli ID lar
FAQ · Qwen: Qwen3 Embedding 8B
- Qanday kirish ma’lumotlari va natijalar mavjud?
POST /v1/embeddings·qwen/qwen3-embedding-8b:text,token_ids→embedding- So‘rov qaysi maydonlardan foydalanadi?
POST /v1/embeddings·qwen/qwen3-embedding-8b:model,input,encoding_format,provider- Qanday cheklovlar amal qiladi?
POST /v1/embeddings·qwen/qwen3-embedding-8b:ctx:32768;input.budget.maximum:32768(UTF8 baytlari);input.min_items:1