Alibaba Cloud: Qwen3.7 Text Embedding
qwen3.7-text-embedding- Entrée / Sortie
- $0.0735 / $0.00
- Contexte
- 128K
- Modalités
- Vectorisation
À propos de Qwen3.7 Text Embedding
Qwen3.7 Text Embedding est le modèle d'incorporation de texte phare d'Alibaba, transformant le texte multilingue en vecteurs pour la recherche et le regroupement. Alibaba documente des entrées uniques très longues, des tailles de sortie de 256 à 2560 dimensions, des instructions de tâche et des vecteurs creux. C'est l'option pleine taille, tandis que Qwen3.7 Text Embedding Flash est la version plus légère.
Points forts
- Accepte des entrées uniques très longues, ce qui convient à l'incorporation de documents entiers plutôt qu'au découpage en segments.
- Des tailles de sortie de 256 à 2560 dimensions vous permettent d'ajuster la taille de l'index par rapport au niveau de détail.
- Un paramètre d'instruction (instruct) vous permet de décrire la tâche de recherche, comme la recherche dans la documentation.
- Prend en charge la sortie de vecteurs creux en plus des vecteurs denses pour la recherche hybride, selon Alibaba.
Quand préférer un autre modèle
- Des dimensions plus élevées coûtent plus cher en stockage d'index, donc la version Flash convient mieux aux très grandes collections.
- Il n'incorpore que du texte ; les images et les vidéos nécessitent Qwen3-VL-Embedding.
Pour commencer
Créer une clé API
Générez une clé dans Console et utilisez-la avec tous les modèles de la plateforme.
Envoyez votre première requête
Copiez l'exemple pour votre langage et lancez-le.
VectorisationEndpoint 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." }'
Paramètres
Vectorisation
| Paramètre | Valeurs et limites | Valeur par défaut | Remarques |
|---|---|---|---|
dimensions | 256, 512, 768, 1024, 1536, 2048, 2560 | Non fourni | Non fourni |
encoding_format | float | Non fourni | Non fourni |
input | Entrées : ≥ 1, ≤ 20 | Non fourni | Each input row is limited to 128000 tokens. |
user | Non fourni | Non fourni | Non fourni |
TokenLab exposes this model through the OpenAI-compatible /v1/embeddings route.
Tarification
Le prix Verified s’applique à Verified, moins cher sur la plupart des modèles. Le prix Official est le prix publié par le fabricant du modèle et s’applique à la route Official, plus fiable. Auto facture la route qui termine la requête.
Tarification
Par 1M Token- Prix Verified
- —
- Prix Official
- Entrée$0.0735Par 1M TokenSortie$0.00Par 1M Token
| Prix OfficialPar 1M Token | Prix VerifiedPar 1M Token | Remise | |
|---|---|---|---|
| Entrée | $0.0735 | — | — |
| Sortie | $0.00 | — | — |
Utilisation et activité
Le taux de réussite est la part de requêtes abouties. La latence est la durée d'une réponse complète ; P95 signifie que 95 % des requêtes ont fini dans ce délai.
Utilisation et disponibilité
Dernières 24 heures- Requêtes
- Taux de succès
- Latence P95
- Total des jetons
Les données sont basées sur les requêtes agrégées des utilisateurs, à l'exclusion des vérifications de statut.
Ouvrir dans Console
Ouvrez Qwen3.7 Text Embedding dans Console avec un prompt prêt à modifier ou envoyer.
Aide-moi à tester qwen3.7-text-embedding avec text-embedding sur /v1/embeddings. Affiche le résultat et le coût.
Cas d'usage
Recherche dans de longs documents
Incorporez de longs rapports ou manuels en tant qu'éléments uniques et recherchez-les sans découpage agressif.
Recherche hybride
Combinez des vecteurs denses et creux pour capturer à la fois le sens et les mots-clés exacts.
Bases de connaissances multilingues
Recherchez dans un wiki d'entreprise rédigé en plusieurs langues en utilisant des requêtes dans n'importe laquelle d'entre elles.
Exemples de prompts
Incorporez ce document de politique de 60 pages en un seul élément pour une récupération ultérieure.
Incorporez la requête 'comment faire pivoter les clés API' avec une instruction décrivant une tâche de recherche dans un centre d'aide.
Incorporez ces articles de support multilingues à 1024 dimensions pour le regroupement.
Calculateur de coût
FAQ
Quelles dimensions Qwen3.7 Text Embedding propose-t-il ?
2560, 2048, 1536, 1024 (par défaut), 768, 512 et 256. Choisissez des valeurs plus faibles lorsque le stockage de l'index ou la vitesse de recherche comptent plus que le dernier degré de précision.
Quelle quantité de texte tient dans un élément ?
Alibaba documente des entrées uniques très longues, bien plus longues par élément que ce que text-embedding-v4 accepte, de sorte que des documents entiers tiennent souvent sans découpage. Par ailleurs, une requête peut contenir jusqu'à 20 éléments.
Qu'est-ce que le paramètre d'instruction (instruct) ?
Une courte instruction décrivant la tâche, par exemple une requête de recherche dans la documentation. Alibaba rapporte un gain de 1 à 5 pour cent grâce à son utilisation.
Dois-je choisir Qwen3.7 ou text-embedding-v4 ?
Qwen3.7 accepte des entrées beaucoup plus longues et des vecteurs plus grands. text-embedding-v4 propose des choix de dimensions plus petits, jusqu'à 64. Choisissez en fonction de la longueur du document et du budget de stockage, puis testez le rappel sur vos propres documents avec chacun.
Combien coûte Qwen3.7 Text Embedding ?
Sur TokenLab, Qwen3.7 Text Embedding coûte Entrée $0.0735 / Sortie $0.00 Par 1M Token. La table tarifaire ci-dessus en montre le détail complet.
Quel endpoint Qwen3.7 Text Embedding doit-il utiliser ?
Utilisez https://api.tokenlab.sh/v1/embeddings pour Qwen3.7 Text Embedding. L'exemple de requête ci-dessous montre la structure de code correspondante.
Quelles opérations Qwen3.7 Text Embedding prend-il en charge ?
Qwen3.7 Text Embedding prend en charge Vectorisation. Sélectionnez une opération pour voir l'endpoint et un exemple.
Comparer Qwen3.7 Text Embedding
Sources
Mis à jour le 2 oct. 2026
