Qwen3 Embedding 8B
Réseau Neuronal
Qwen3 Embedding 8B est un modèle Qwen pour les représentations vectorielles de texte : API d'embedding pour la recherche sémantique et RAG.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 40 960 tokens
- Dimensions du vecteur
- 4 096
Coût du prompt
(par 1M tokens)
Comment ça marche Qwen3 Embedding 8B?
Qwen3 Embedding 8B est un modèle de la famille Qwen conçu pour créer des représentations vectorielles de texte et pour le classement. Il hérite du multilinguisme et de la gestion des textes longs propres à la gamme Qwen3. Connexion via l'API BotHub compatible OpenAI : accès sans VPN ni carte étrangère, paiement en roubles à l'usage, et changement de modèle parmi plus de 250 options sans réécriture de l'intégration. Les vecteurs sont stockés dans Qdrant ou pgvector. Utilisé pour la recherche sémantique dans les bases de connaissances, le RAG sur la documentation, la classification et la déduplication de requêtes, le reranking et la recommandation de produits ou d'offres d'emploi.Questions fréquentes sur Qwen3 Embedding 8B
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 convertit le texte en vecteurs numériques et convient à la recherche sémantique, au RAG, au classement, à la déduplication et à la classification de documents. Fenêtre contextuelle de 32 000 jetons : vous pouvez vectoriser des articles entiers, des tickets ou de larges fragments de base de connaissances sans les découper.
En sortie, vous n'obtenez ni texte ni image, mais un embedding : un tableau de nombres à virgule flottante. Les vecteurs sont comparés par similarité cosinus et stockés dans une base vectorielle comme Qdrant ou pgvector. La dimension exacte est visible directement dans la réponse de l'API.
Le raisonnement avant réponse n'est pas indiqué dans nos données, et ce n'est pas la tâche principale d'un modèle d'embedding : il ne dialogue pas et ne construit pas de chaînes de raisonnement, mais code le sens du texte en vecteur. Vous implémentez la logique de recherche et de classement de votre côté.
L'appel de fonctions et la sortie JSON structurée ne sont pas indiqués dans nos données : le modèle renvoie une représentation vectorielle du texte, pas des instructions pour des outils. Besoin de function calling et de schémas stricts ? Connectez un modèle génératif via l'API BotHub compatible OpenAI et utilisez les embeddings pour la recherche.
Rien d'autre que du texte n'est indiqué dans nos données, prévoyez donc une entrée textuelle. Pour les scénarios multimodaux, utilisez un modèle adapté : sur BotHub, le basculement se fait dans une seule fenêtre via une seule API, sans avoir à réécrire l'intégration.
Nous n'avons pas de données sur les langues, nous ne pouvons donc pas promettre une qualité spécifique en russe. Testez sur votre propre corpus : rassemblez quelques dizaines de paires requête-document et comparez la proximité des vecteurs. Vous pouvez lancer ce test depuis la Russie, sans VPN ni carte étrangère, avec paiement en roubles.