Qwen3 Embedding 8B
нейросеть
Qwen3 Embedding 8B — модель Qwen для векторных представлений текста: qwen3 embedding api для семантического поиска и RAG.
Характеристики
- Входные данные
- текст
- Результат
- векторы (эмбеддинги)
- Размер контекста
- 40 960 токенов
- Размерность вектора
- 4 096
Стоимость промпта
(за 1M токенов)
Как работает Qwen3 Embedding 8B?
Qwen3 Embedding 8B — модель семейства Qwen, созданная для построения векторных представлений текста и задач ранжирования; она наследует многоязычность и работу с длинными текстами, свойственные линейке Qwen3. Подключается через единый OpenAI-совместимый API BotHub: доступ из России без VPN и зарубежной карты, оплата в рублях по факту за токены, а смена модели на любую другую из более чем 250 доступных не требует переписывания интеграции. Векторы кладутся в Qdrant или pgvector. Применяют её для семантического поиска по базе знаний, RAG поверх документации, кластеризации и дедупликации обращений, реранжирования выдачи и подбора похожих товаров или вакансий.Частые вопросы о Qwen3 Embedding 8B
Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.
Модель переводит текст в числовые векторы и подходит для семантического поиска, RAG, ранжирования, дедупликации и кластеризации документов. Контекстное окно — 32 000 токенов, поэтому векторизовать можно целые статьи, тикеты или крупные фрагменты базы знаний, не дробя их на мелкие куски.
На выходе вы получаете не текст и не картинку, а эмбеддинг — массив чисел с плавающей точкой. Векторы сравнивают по косинусной близости и складывают в векторную базу, например Qdrant или pgvector. Точную размерность удобнее всего посмотреть прямо в ответе API.
Рассуждения перед ответом в наших данных не отмечены, и для эмбеддинг-модели это не основная задача: она не ведёт диалог и не строит цепочки выводов, а кодирует смысл текста в вектор. Логику поиска и ранжирования вы реализуете на своей стороне.
В наших данных вызов функций и структурированный вывод JSON не отмечены: модель отдаёт векторное представление текста, а не инструкции для инструментов. Нужны function calling и строгие схемы — подключите генеративную модель через единый OpenAI-совместимый API BotHub, а эмбеддинги оставьте для поиска.
Приём чего-либо кроме текста в наших данных не отмечен, поэтому рассчитывайте на текстовый вход. Для мультимодальных сценариев держите рядом подходящую модель: в BotHub переключение происходит в одном окне и через один API, переписывать интеграцию при этом не придётся.
Данных о языках у нас нет, поэтому обещать конкретное качество именно на русском мы не станем. Проверьте на своём корпусе: соберите несколько десятков пар запрос-документ и сравните близость векторов. Запустить такой тест можно из России, без VPN и зарубежной карты, с оплатой в рублях.