Qwen3 Embedding 4B
Red Neuronal
Qwen3 Embedding 4B es un modelo de la familia Qwen para embeddings de texto, clasificación y búsqueda semántica.
Características
- Entrada
- texto
- Salida
- vectores (embeddings)
- Tamaño del contexto
- 32 768 tokens
- Dimensiones del vector
- 2 560
Costo del prompt
(por 1M tokens)
Cómo funciona Qwen3 Embedding 4B?
Qwen3 Embedding 4B pertenece a la serie Qwen3 Embedding y está diseñado para crear representaciones vectoriales de texto y tareas de clasificación; la serie heredó el multilingüismo y el manejo de textos largos de la familia Qwen. A través de BotHub, el modelo se conecta mediante una API compatible con OpenAI sin VPN ni tarjetas extranjeras, con pago en rublos según el consumo, y cambiar a otro modelo no requiere reescribir la integración. Los vectores obtenidos se guardan en Qdrant, pgvector u otro almacenamiento y se utilizan para búsqueda semántica en bases de conocimiento, esquemas RAG sobre documentación corporativa, agrupación de tickets y solicitudes, deduplicación de registros y reordenamiento de resultados.Preguntas frecuentes sobre Qwen3 Embedding 4B
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
El modelo convierte texto en representaciones vectoriales que reflejan el significado, no solo la coincidencia de palabras. Se utiliza para búsqueda semántica, pipelines RAG con bases de conocimiento, agrupación y deduplicación de documentos, clasificación de solicitudes, búsqueda de materiales similares y reordenamiento de resultados.
La salida no es texto, sino un vector numérico de dimensión fija para cada fragmento. Estos vectores se almacenan en Qdrant, pgvector u otro repositorio y se comparan mediante similitud de coseno. Un contexto de hasta 32768 tokens permite codificar documentos largos sin dividirlos en partes pequeñas.
Es un modelo de embedding: no sigue una cadena de razonamiento ni formula respuestas, solo codifica el texto de entrada en un vector. La lógica de razonamiento la implementa el modelo generativo al que le pasas los fragmentos encontrados mediante búsqueda vectorial en un esquema RAG.
En nuestros datos, el modelo no tiene estas etiquetas, y para los embeddings no es típico: la respuesta de la API ya viene estructurada como un array de números en JSON. Es más conveniente asignar herramientas y llamadas a funciones (function calling) a un modelo generativo conectado a través de la misma API de BotHub.
No se admite la entrada de otras modalidades en nuestros datos, así que espere una entrada de texto: consultas, párrafos de documentos, descripciones de productos, tickets. Para medios, utilice modelos específicos y luego vectorice sus transcripciones o descripciones de texto con este modelo.
La serie Qwen3 Embedding fue desarrollada como multilingüe, por lo que los documentos y consultas en ruso se codifican en un espacio semántico común y se encuentran por significado, no por coincidencia exacta de palabras. La calidad en su corpus debe verificarse con una muestra de prueba: etiquete pares de consulta-documento y mida las métricas de búsqueda.