Alibaba Cloud: Qwen3.7 Text Embedding
qwen3.7-text-embedding- Eingabe / Ausgabe
- $0.0735 / $0.00
- Kontext
- 128K
- Modalitäten
- Einbettung
Über Qwen3.7 Text Embedding
Qwen3.7 Text Embedding ist das Flaggschiff-Modell von Alibaba für Texteinbettungen, das mehrsprachigen Text in Vektoren für Abruf und Clustering umwandelt. Alibaba dokumentiert sehr lange einzelne Eingaben, Ausgabegrößen von 256 bis 2560 Dimensionen, Aufgabenanweisungen und dünnbesetzte Vektoren (sparse vectors). Es ist die Option in voller Größe, während Qwen3.7 Text Embedding Flash die leichtere Variante ist.
Stärken
- Akzeptiert sehr lange einzelne Eingaben, was sich für die Einbettung ganzer Dokumente anstelle von Stückelung (Chunking) eignet.
- Ausgabegrößen von 256 bis 2560 Dimensionen ermöglichen es Ihnen, die Indexgröße gegen die Detailgenauigkeit abzuwägen.
- Ein Instruct-Parameter ermöglicht es Ihnen, die Abrufaufgabe zu beschreiben, wie zum Beispiel die Suche in der Dokumentation.
- Unterstützt laut Alibaba neben dichten Vektoren auch die Ausgabe dünnbesetzter Vektoren für die hybride Suche.
Alternativen
- Höhere Dimensionen kosten mehr Indexspeicher, daher eignet sich die Flash-Version besser für sehr große Sammlungen.
- Es bettet nur Text ein; für Bilder und Videos wird Qwen3-VL-Embedding benötigt.
Erste Schritte
API-Schlüssel erstellen
Erstelle einen Schlüssel in Console und nutze ihn mit jedem Modell auf der Plattform.
Senden Sie Ihre erste Anfrage
Kopieren Sie das Beispiel für Ihre Sprache und führen Sie es gegen den Endpunkt aus.
EinbettungTokenLab-EndpunktPOST/v1/embeddingscurl -X POST "https://api.tokenlab.sh/v1/embeddings" \ -H "Authorization: Bearer sk-xxx" \ -H "Content-Type: application/json" \ -d '{ "model": "qwen3.7-text-embedding", "input": "The quick brown fox jumps over the lazy dog." }'
Parameter
Einbettung
| Parameter | Werte und Grenzen | Standardwert | Hinweise |
|---|---|---|---|
dimensions | 256, 512, 768, 1024, 1536, 2048, 2560 | Nicht angegeben | Nicht angegeben |
encoding_format | float | Nicht angegeben | Nicht angegeben |
input | Eingaben: ≥ 1, ≤ 20 | Nicht angegeben | Each input row is limited to 128000 tokens. |
user | Nicht angegeben | Nicht angegeben | Nicht angegeben |
TokenLab exposes this model through the OpenAI-compatible /v1/embeddings route.
Preise
Der Verified-Preis gilt für Verified und ist bei den meisten Modellen günstiger. Der Official-Preis ist der veröffentlichte Preis des Modellherstellers und gilt für die zuverlässigere Official-Route. Auto rechnet die Route ab, die die Anfrage abschließt.
Preise
Pro 1M Token- Verified-Preis
- —
- Official-Preis
- Eingabe$0.0735Pro 1M TokenAusgabe$0.00Pro 1M Token
| Official-PreisPro 1M Token | Verified-PreisPro 1M Token | Rabatt | |
|---|---|---|---|
| Eingabe | $0.0735 | — | — |
| Ausgabe | $0.00 | — | — |
Nutzung & Aktivität
Die Erfolgsquote ist der Anteil abgeschlossener Anfragen. Die Latenz ist die Dauer einer vollständigen Antwort; P95 bedeutet, dass 95 % der Anfragen innerhalb dieser Zeit abgeschlossen wurden.
Nutzung & Verfügbarkeit
Letzte 24 Stunden- Anfragen
- Erfolgsrate
- P95-Latenz
- Token gesamt
Die Daten basieren auf aggregierten Benutzeranfragen, Statusprüfungen sind ausgeschlossen.
In Console öffnen
Öffne Qwen3.7 Text Embedding in Console mit einer bearbeitbaren oder versandbereiten Eingabeaufforderung.
Teste qwen3.7-text-embedding mit text-embedding an /v1/embeddings. Zeige Ergebnis und Kosten.
Anwendungsfälle
Abruf langer Dokumente
Betten Sie umfangreiche Berichte oder Handbücher als einzelne Elemente ein und durchsuchen Sie diese ohne aggressives Chunking.
Hybride Suche
Kombinieren Sie dichte und dünnbesetzte Vektoren, um sowohl die Bedeutung als auch exakte Schlüsselwörter zu erfassen.
Mehrsprachige Wissensdatenbanken
Durchsuchen Sie ein Firmen-Wiki, das in vielen Sprachen verfasst ist, unter Verwendung von Abfragen in einer beliebigen dieser Sprachen.
Prompt-Beispiele
Betten Sie dieses 60-seitige Grundsatzdokument als ein Element für den späteren Abruf ein.
Betten Sie die Abfrage 'wie rotiere ich API-Schlüssel' mit einer Anweisung ein, die eine Suchaufgabe im Hilfe-Center beschreibt.
Betten Sie diese mehrsprachigen Support-Artikel mit 1024 Dimensionen für das Clustering ein.
Kostenrechner
FAQ
Welche Dimensionen bietet Qwen3.7 Text Embedding an?
2560, 2048, 1536, 1024 (Standard), 768, 512 und 256. Wählen Sie niedrigere Werte, wenn Indexspeicher oder Suchgeschwindigkeit wichtiger sind als das letzte Quäntchen Genauigkeit.
Wie viel Text passt in ein Element?
Alibaba dokumentiert sehr lange einzelne Eingaben, die pro Element weit über das hinausgehen, was text-embedding-v4 akzeptiert, sodass ganze Dokumente oft ohne Chunking hineinpassen. Unabhängig davon kann eine Anfrage bis zu 20 Elemente enthalten.
Was ist der Instruct-Parameter?
Eine kurze Anweisung, die die Aufgabe beschreibt, zum Beispiel eine Suchanfrage in der Dokumentation. Alibaba berichtet von einem Gewinn von 1 bis 5 Prozent durch dessen Verwendung.
Sollte ich Qwen3.7 oder text-embedding-v4 wählen?
Qwen3.7 akzeptiert weitaus längere Eingaben und größere Vektoren. text-embedding-v4 bietet kleinere Dimensionsoptionen bis hinunter zu 64. Wählen Sie basierend auf Dokumentlänge und Speicherbudget und testen Sie dann den Abruf mit Ihren eigenen Dokumenten bei beiden Modellen.
Was kostet Qwen3.7 Text Embedding?
Auf TokenLab kostet Qwen3.7 Text Embedding Eingabe $0.0735 / Ausgabe $0.00 Pro 1M Token. Die vollständige Aufschlüsselung steht in der Preistabelle oben.
Welchen Endpunkt soll Qwen3.7 Text Embedding verwenden?
Verwenden Sie https://api.tokenlab.sh/v1/embeddings für Qwen3.7 Text Embedding. Das folgende Anforderungsbeispiel zeigt die passende Code-Struktur.
Welche Operationen unterstützt Qwen3.7 Text Embedding?
Qwen3.7 Text Embedding unterstützt Einbettung. Wählen Sie oben einen Vorgang aus, um dessen Endpunkt und Anforderungsbeispiel anzuzeigen.
Qwen3.7 Text Embedding vergleichen
Quellen
Geprüft am 02.10.2026
