Qwen3 Embedding 4B
Réseau Neuronal
Qwen3 Embedding 4B est un modèle de la famille Qwen pour les embeddings de texte, le classement et la recherche sémantique.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 32 768 tokens
- Dimensions du vecteur
- 2 560
Coût du prompt
(par 1M tokens)
Comment ça marche Qwen3 Embedding 4B?
Qwen3 Embedding 4B appartient à la série Qwen3 Embedding et est conçu pour créer des représentations vectorielles de texte et effectuer des tâches de classement ; la série a hérité du multilinguisme et de la gestion des textes longs de la famille Qwen. Via BotHub, le modèle se connecte via une API unique compatible OpenAI sans VPN ni carte étrangère, avec un paiement en roubles à la consommation, et le passage à un autre modèle ne nécessite pas de réécrire l'intégration. Vous écrivez les vecteurs obtenus dans Qdrant, pgvector ou un autre stockage et les utilisez pour la recherche sémantique dans la base de connaissances, les contours RAG sur la documentation d'entreprise, le clustering de tickets et de demandes, la déduplication de fiches et d'enregistrements, ainsi que le re-classement des résultats.Questions fréquentes sur Qwen3 Embedding 4B
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
Le modèle transforme le texte en représentations vectorielles qui reflètent le sens, et non la correspondance des mots. Cela permet de construire la recherche sémantique, les pipelines RAG avec une base de connaissances, le clustering et la déduplication de documents, la classification des demandes, la sélection de documents similaires et le classement des résultats.
En sortie, vous n'obtenez pas de texte, mais un vecteur numérique de dimension fixe pour chaque fragment. Ces vecteurs sont stockés dans Qdrant, pgvector ou un autre stockage et comparés par similarité cosinus. Un contexte allant jusqu'à 32768 jetons permet d'encoder de longs documents sans les diviser en petits morceaux.
C'est un modèle d'embedding : il ne mène pas de chaîne de réflexion et ne formule pas de réponses, il code uniquement le texte d'entrée en vecteur. La logique de raisonnement est implémentée par un modèle génératif, auquel vous transmettez les fragments trouvés via la recherche vectorielle dans un schéma RAG.
Dans nos données, le modèle ne porte pas de telles mentions, et pour les embeddings, ce n'est pas typique : la réponse de l'API arrive déjà structurée — un tableau de nombres en JSON. Il est plus pratique d'attribuer les outils et le function calling à un modèle génératif, en le connectant via la même API BotHub.
La réception d'autres modalités n'est pas indiquée dans nos données, attendez-vous donc à une entrée textuelle : requêtes, paragraphes de documents, descriptions de produits, tickets. Pour les médias, utilisez des modèles distincts, puis vectorisez leurs transcriptions textuelles et descriptions avec ce modèle.
La série Qwen3 Embedding a été développée comme multilingue, donc les documents et requêtes en russe sont encodés dans un espace sémantique commun et trouvés par le sens, et non par la correspondance exacte des mots. La qualité sur votre corpus doit être vérifiée avec un échantillon de test : étiquetez des paires requête-document et mesurez les métriques de recherche.