Alibaba Cloud: Qwen3.7 Text Embedding Flash
qwen3.7-text-embedding-flash- Entrée / Sortie
- $0.0184 / $0.00
- Contexte
- 128K
- Modalités
- Vectorisation
À propos de Qwen3.7 Text Embedding Flash
Qwen3.7 Text Embedding Flash est la version légère du modèle d'embedding de texte Qwen3.7 d'Alibaba, conçue pour les grandes collections où le débit et la taille de l'index sont importants. Alibaba indique qu'il prend en charge les instructions de tâche et permet de choisir des dimensions de vecteur de 256 à 1024, une plage plus étroite que celle du modèle complet (256 à 2560). Il cible la recherche multilingue avec une empreinte plus réduite.
Points forts
- Une taille de vecteur maximale plus petite permet de garder les index compacts pour les collections contenant plusieurs millions d'éléments.
- Prend en charge les instructions de tâche, afin que les requêtes puissent décrire l'objectif de la recherche.
- Alibaba le positionne pour les charges de travail sensibles au débit, telles que l'embedding en masse.
- Couvre la même utilisation de texte multilingue que le modèle complet Qwen3.7.
Quand préférer un autre modèle
- Alibaba le décrit comme le modèle plus léger ; le modèle complet Qwen3.7 Text Embedding est celui offrant les meilleures performances.
- Ses dimensions plafonnent à 1024, et une sortie de vecteur creux est listée pour le modèle complet.
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-flash", "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 | 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$0.0184Par 1M TokenSortie$0.00Par 1M Token
| Prix OfficialPar 1M Token | Prix VerifiedPar 1M Token | Remise | |
|---|---|---|---|
| Entrée | $0.0184 | — | — |
| 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 Flash dans Console avec un prompt prêt à modifier ou envoyer.
Aide-moi à tester qwen3.7-text-embedding-flash avec text-embedding sur /v1/embeddings. Affiche le résultat et le coût.
Cas d'usage
Indexation en masse
Intégrez rapidement une très grande archive de documents et stockez des vecteurs compacts.
Recherche de produits
Propulsez la recherche multilingue sur un grand catalogue où le volume de requêtes est élevé.
Dédoublonnage
Regroupez des textes quasi identiques dans un vaste corpus en utilisant des vecteurs modestes, afin que les doublons soient trouvés à moindre coût.
Exemples de prompts
Intégrez ces 500 000 descriptions de produits à 512 dimensions pour la recherche dans le catalogue.
Intégrez la requête 'veste de randonnée imperméable' avec une instruction pour la recherche e-commerce.
Intégrez cet ensemble de titres d'actualités à 256 dimensions pour la détection de doublons.
Calculateur de coût
FAQ
Quelle est la différence avec le modèle complet Qwen3.7 ?
Flash est la version plus légère, axée sur le coût et le débit, avec des dimensions allant de 256 à 1024. Le modèle complet atteint 2560 dimensions et est le modèle d'embedding le plus performant d'Alibaba.
Quelles dimensions puis-je choisir ?
Alibaba indique que toute taille de 256 à 1024 est disponible. Des vecteurs plus petits réduisent le stockage et accélèrent la recherche de similarité, tandis que des vecteurs plus grands conservent plus de détails.
Prend-il en charge les instructions ?
Oui. Alibaba liste la prise en charge des instructions de tâche, vous pouvez donc préciser l'objectif de la recherche, comme une recherche de produit ou une consultation de centre d'aide. Rédigez l'instruction en langage clair.
Flash est-il suffisant pour la recherche en production ?
Souvent oui pour les grandes collections, mais vérifiez avec vos propres requêtes. Mesurez le rappel à la dimension choisie et comparez-le avec le modèle complet avant de vous engager.
Combien coûte Qwen3.7 Text Embedding Flash ?
Sur TokenLab, Qwen3.7 Text Embedding Flash coûte Entrée $0.0184 / Sortie $0.00 Par 1M Token. La table tarifaire ci-dessus en montre le détail complet.
Quel endpoint Qwen3.7 Text Embedding Flash doit-il utiliser ?
Utilisez https://api.tokenlab.sh/v1/embeddings pour Qwen3.7 Text Embedding Flash. L'exemple de requête ci-dessous montre la structure de code correspondante.
Quelles opérations Qwen3.7 Text Embedding Flash prend-il en charge ?
Qwen3.7 Text Embedding Flash prend en charge Vectorisation. Sélectionnez une opération pour voir l'endpoint et un exemple.
Comparer Qwen3.7 Text Embedding Flash
Sources
Mis à jour le 2 oct. 2026
