Alibaba Cloud: Qwen3.7 Text Embedding Flash
qwen3.7-text-embedding-flash- Eingabe / Ausgabe
- $0.0184 / $0.00
- Kontext
- 128K
- Modalitäten
- Einbettung
Über Qwen3.7 Text Embedding Flash
Qwen3.7 Text Embedding Flash ist die leichtgewichtige Version von Alibabas Qwen3.7-Text-Embedding-Modell, entwickelt für große Sammlungen, bei denen Durchsatz und Indexgröße wichtig sind. Alibaba gibt an, dass es Aufgabenanweisungen unterstützt und die Wahl von Vektordimensionen zwischen 256 und 1024 ermöglicht – ein engerer Bereich als die 256 bis 2560 des vollständigen Modells. Es zielt auf mehrsprachige Suche bei geringerem Ressourcenbedarf ab.
Stärken
- Eine kleinere maximale Vektorgröße hält Indizes kompakt für Sammlungen mit vielen Millionen Elementen.
- Unterstützt Aufgabenanweisungen, sodass Abfragen das Suchziel beschreiben können.
- Alibaba positioniert es für durchsatzsensitive Arbeitslasten wie Massen-Embedding.
- Deckt dieselbe mehrsprachige Textnutzung ab wie das vollständige Qwen3.7-Modell.
Alternativen
- Alibaba beschreibt es als das leichtere Modell; das vollständige Qwen3.7 Text Embedding ist das leistungsstärkste Modell.
- Die Dimensionen reichen bis maximal 1024, und für das vollständige Modell ist eine Ausgabe für dünnbesetzte Vektoren (sparse vectors) aufgeführt.
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-flash", "input": "The quick brown fox jumps over the lazy dog." }'
Parameter
Einbettung
| Parameter | Werte und Grenzen | Standardwert | Hinweise |
|---|---|---|---|
dimensions | 256, 512, 768, 1024 | 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$0.0184Pro 1M TokenAusgabe$0.00Pro 1M Token
| Official-PreisPro 1M Token | Verified-PreisPro 1M Token | Rabatt | |
|---|---|---|---|
| Eingabe | $0.0184 | — | — |
| 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 Flash in Console mit einer bearbeitbaren oder versandbereiten Eingabeaufforderung.
Teste qwen3.7-text-embedding-flash mit text-embedding an /v1/embeddings. Zeige Ergebnis und Kosten.
Anwendungsfälle
Massen-Indizierung
Betten Sie ein sehr großes Archiv von Dokumenten schnell ein und speichern Sie kompakte Vektoren.
Produktsuche
Ermöglicht mehrsprachige Suche über einen großen Katalog bei hohem Abfragevolumen.
Deduplizierung
Gruppieren Sie nahezu identische Texte in einem großen Korpus mithilfe bescheidener Vektoren, sodass Duplikate kostengünstig gefunden werden.
Prompt-Beispiele
Betten Sie diese 500.000 Produktbeschreibungen mit 512 Dimensionen für die Katalogsuche ein.
Betten Sie die Abfrage 'wasserdichte Wanderjacke' mit einer Anweisung für E-Commerce-Retrieval ein.
Betten Sie diese Sammlung von Nachrichtenüberschriften mit 256 Dimensionen zur Duplikaterkennung ein.
Kostenrechner
FAQ
Was ist der Unterschied zum vollständigen Qwen3.7-Modell?
Flash ist die leichtere, auf Kosten und Durchsatz ausgerichtete Version mit Dimensionen von 256 bis 1024. Das vollständige Modell erreicht 2560 Dimensionen und ist Alibabas leistungsstärkstes Embedding-Modell.
Welche Dimensionen kann ich wählen?
Alibaba gibt an, dass jede Größe von 256 bis 1024 verfügbar ist. Kleinere Vektoren reduzieren den Speicherbedarf und beschleunigen die Ähnlichkeitssuche, während größere Vektoren mehr Details beibehalten.
Unterstützt es Anweisungen?
Ja. Alibaba führt die Unterstützung von Aufgabenanweisungen auf, sodass Sie angeben können, wofür die Suche gedacht ist, z. B. eine Produktsuche oder eine Suche im Hilfe-Center. Schreiben Sie die Anweisung in einfacher Sprache.
Ist Flash ausreichend für die Produktionssuche?
Oft ja für große Sammlungen, aber überprüfen Sie dies mit Ihren eigenen Abfragen. Messen Sie den Recall bei der von Ihnen gewählten Dimension und vergleichen Sie ihn mit dem vollständigen Modell, bevor Sie sich festlegen.
Was kostet Qwen3.7 Text Embedding Flash?
Auf TokenLab kostet Qwen3.7 Text Embedding Flash Eingabe $0.0184 / Ausgabe $0.00 Pro 1M Token. Die vollständige Aufschlüsselung steht in der Preistabelle oben.
Welchen Endpunkt soll Qwen3.7 Text Embedding Flash verwenden?
Verwenden Sie https://api.tokenlab.sh/v1/embeddings für Qwen3.7 Text Embedding Flash. Das folgende Anforderungsbeispiel zeigt die passende Code-Struktur.
Welche Operationen unterstützt Qwen3.7 Text Embedding Flash?
Qwen3.7 Text Embedding Flash unterstützt Einbettung. Wählen Sie oben einen Vorgang aus, um dessen Endpunkt und Anforderungsbeispiel anzuzeigen.
Qwen3.7 Text Embedding Flash vergleichen
Quellen
Geprüft am 02.10.2026
