Alibaba Cloud: Qwen3.7 Text Embedding
qwen3.7-text-embedding- Entrada / Salida
- $0.0735 / $0.00
- Contexto
- 128K
- Modalidades
- Incrustación
Sobre Qwen3.7 Text Embedding
Qwen3.7 Text Embedding es el modelo insignia de incrustación de texto de Alibaba, que convierte texto multilingüe en vectores para recuperación y agrupación. Alibaba documenta entradas individuales muy largas, tamaños de salida de 256 a 2560 dimensiones, instrucciones de tarea y vectores dispersos. Es la opción de tamaño completo, mientras que Qwen3.7 Text Embedding Flash es la versión más ligera.
Puntos fuertes
- Acepta entradas individuales muy largas, lo que se adapta a la incrustación de documentos completos en lugar de fragmentarlos.
- Los tamaños de salida de 256 a 2560 dimensiones le permiten ajustar el tamaño del índice frente al detalle.
- Un parámetro de instrucción (instruct) le permite describir la tarea de recuperación, como buscar en la documentación.
- Admite salida de vectores dispersos junto a vectores densos para búsqueda híbrida, según Alibaba.
Cuándo buscar otra opción
- Las dimensiones más altas cuestan más almacenamiento de índice, por lo que la versión Flash se adapta mejor a colecciones muy grandes.
- Solo incrusta texto; las imágenes y el video necesitan Qwen3-VL-Embedding.
Primeros pasos
Crear clave API
Genera una clave en Console y úsala con cualquier modelo de la plataforma.
Envía tu primera solicitud
Copia el ejemplo para tu lenguaje y ejecútalo contra el endpoint.
IncrustaciónEndpoint de TokenLabPOST/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." }'
Parámetros
Incrustación
| Parámetro | Valores y límites | Predeterminado | Notas |
|---|---|---|---|
dimensions | 256, 512, 768, 1024, 1536, 2048, 2560 | No especificado | No especificado |
encoding_format | float | No especificado | No especificado |
input | Entradas: ≥ 1, ≤ 20 | No especificado | Each input row is limited to 128000 tokens. |
user | No especificado | No especificado | No especificado |
TokenLab exposes this model through the OpenAI-compatible /v1/embeddings route.
Precios
El precio Verified se aplica a Verified, que cuesta menos en la mayoría de los modelos. El precio Official es el precio publicado por el fabricante del modelo y se aplica a la ruta Official, más fiable. Auto factura la ruta que completa la solicitud.
Precios
Por 1M Token- Precio Verified
- —
- Precio Official
- Entrada$0.0735Por 1M TokenSalida$0.00Por 1M Token
| Precio OfficialPor 1M Token | Precio VerifiedPor 1M Token | Descuento | |
|---|---|---|---|
| Entrada | $0.0735 | — | — |
| Salida | $0.00 | — | — |
Uso y actividad
La tasa de éxito es la proporción de solicitudes completadas. La latencia es cuánto tarda una respuesta completa; P95 significa que el 95 % de las solicitudes terminaron dentro de ese tiempo.
Uso y disponibilidad
Últimas 24 horas- Solicitudes
- Tasa de éxito
- Latencia P95
- Total de tokens
Los datos se basan en solicitudes de usuario agregadas, excluyendo las comprobaciones de estado.
Abrir en Console
Abre Qwen3.7 Text Embedding en Console con un prompt listo para editar o enviar.
Ayúdame a probar qwen3.7-text-embedding con text-embedding en /v1/embeddings. Muestra el resultado y el coste.
Casos de uso
Recuperación de documentos largos
Incruste informes o manuales extensos como elementos únicos y búsquelos sin fragmentación agresiva.
Búsqueda híbrida
Combine vectores densos y dispersos para capturar tanto el significado como las palabras clave exactas.
Bases de conocimiento multilingües
Busque en una wiki de empresa escrita en muchos idiomas utilizando consultas en cualquiera de ellos.
Ejemplos de prompts
Incruste este documento de política de 60 páginas como un solo elemento para su recuperación posterior.
Incruste la consulta 'cómo rotar claves API' con una instrucción que describa una tarea de búsqueda en el centro de ayuda.
Incruste estos artículos de soporte multilingües a 1024 dimensiones para su agrupación.
Calculadora de costos
FAQ
¿Qué dimensiones ofrece Qwen3.7 Text Embedding?
2560, 2048, 1536, 1024 (predeterminado), 768, 512 y 256. Elija valores más bajos cuando el almacenamiento del índice o la velocidad de búsqueda importen más que el último bit de precisión.
¿Cuánto texto cabe en un elemento?
Alibaba documenta entradas individuales muy largas, mucho más largas por elemento de lo que acepta text-embedding-v4, por lo que los documentos completos a menudo caben sin fragmentación. Por separado, una solicitud puede llevar hasta 20 elementos.
¿Qué es el parámetro de instrucción (instruct)?
Una breve instrucción que describe la tarea, por ejemplo, una consulta de búsqueda en la documentación. Alibaba informa una ganancia del 1 al 5 por ciento al usarlo.
¿Debería elegir Qwen3.7 o text-embedding-v4?
Qwen3.7 acepta entradas mucho más largas y vectores más grandes. text-embedding-v4 tiene opciones de dimensiones más pequeñas hasta 64. Elija según la longitud del documento y el presupuesto de almacenamiento, luego pruebe la recuperación en sus propios documentos con cada uno.
¿Cuánto cuesta Qwen3.7 Text Embedding?
En TokenLab, Qwen3.7 Text Embedding cuesta Entrada $0.0735 / Salida $0.00 Por 1M Token. La tabla de precios arriba muestra el desglose completo.
¿Qué endpoint debe usar Qwen3.7 Text Embedding?
Utiliza https://api.tokenlab.sh/v1/embeddings para Qwen3.7 Text Embedding. El ejemplo de solicitud a continuación muestra la estructura de código correspondiente.
¿Qué operaciones soporta Qwen3.7 Text Embedding?
Qwen3.7 Text Embedding admite Incrustación. Selecciona una operación arriba para ver su endpoint y ejemplo de solicitud.
Comparar Qwen3.7 Text Embedding
Fuentes
Revisado el 2 oct 2026
