Alibaba: Text Embedding v4

Text Embedding v4 convertit des passages multilingues en vecteurs avec des dimensions réglables. Il est utile pour la recherche et le regroupement lorsqu'une application souhaite ajuster l'équilibre entre la représentation sémantique et l'empreinte de l'index.

Comparer les modèles

text-embedding-v4

DisponibleAlibabaVectorisationSynchrone

Entrée / Sortie: $0.07 / —
Contexte: 8K
Modalités: Vectorisation

À propos de Text Embedding v4

Text Embedding v4 est le modèle d'embedding de texte multilingue établi d'Alibaba, couvrant plus de 100 langues et des tailles de sortie allant de 64 à 2048 dimensions. Il traite 10 éléments par batch et peut renvoyer des vecteurs creux (sparse) via l'API DashScope. Il se situe en dessous de Qwen3.7 Text Embedding en termes de longueur d'entrée, mais offre des vecteurs plus petits.

Points forts

Offre de petites tailles de sortie allant jusqu'à 64 et 128 dimensions pour des budgets d'index restreints.
Les vecteurs creux via l'API DashScope permettent une recherche hybride combinant mots-clés et sémantique.
Couvre le chinois, l'anglais, l'espagnol, le français et plus de 100 autres langues.
Prend en charge le paramètre 'instruct' pour décrire la tâche de récupération.

Quand préférer un autre modèle

Les entrées par élément sont courtes ; les documents longs doivent donc être segmentés avant l'encodage.
Les batchs contiennent 10 éléments, soit moins que les 20 autorisés par Qwen3.7 Text 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.

Embedding de texteEndpoint TokenLab

POST/v1/embeddings

curl -X POST "https://api.tokenlab.sh/v1/embeddings" \
  -H "Authorization: Bearer sk-xxx" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "text-embedding-v4",
  "input": "The quick brown fox jumps over the lazy dog."
}'

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.

Default

Par 1M Token

Prix Official: Entrée $0.07 / Texte Entrée $0.07
Prix Verified: —
Remise: —

	Prix OfficialPar 1M Token	Prix VerifiedPar 1M Token	Remise
Default	Entrée $0.07 / Texte Entrée $0.07	—	—

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

Performance du modèle

Dernière mise à jour 10 oct. 2026, 14:12 UTC

Les métriques s'affichent une fois les seuils de confidentialité et de volume de données atteints.

Les données sont basées sur les requêtes agrégées des utilisateurs, à l'exclusion des vérifications de statut.

Ouvrir dans Console

Ouvrez Text Embedding v4 dans Console avec un prompt prêt à modifier ou envoyer.

Aide-moi à tester text-embedding-v4 avec text-embedding sur /v1/embeddings. Affiche le résultat et le coût.

Cas d'usage

Recherche sémantique sur site
Encoder les pages par segments et faire correspondre les questions des utilisateurs aux passages les plus proches.
Clustering de retours
Regrouper des milliers d'avis ou de tickets de support par sujet en utilisant des vecteurs compacts et une étape de clustering.
Récupération hybride
Combiner des sorties denses et creuses afin que les termes exacts, comme les références de pièces, correspondent toujours.

Exemples de prompts

Encoder ces 2 000 tickets de support en 256 dimensions et les regrouper par sujet.

Encoder ce segment de FAQ avec une sortie creuse pour une recherche hybride.

Encoder la requête espagnole 'cómo cancelo mi suscripción' pour trouver des articles d'aide correspondants.

Ce modèle a une tarification conditionnelle. Les totaux mensuels de tokens ne suffisent pas pour une estimation fiable ; utilisez la tarification détaillée selon la spécification de la requête, le cache et la fenêtre applicable.

FAQ

Quelles dimensions text-embedding-v4 prend-il en charge ?

2048, 1536, 1024 (par défaut), 768, 512, 256, 128 et 64. Les tailles inférieures réduisent le stockage et accélèrent la recherche, au prix d'une certaine perte de précision. Commencez par la valeur par défaut et diminuez progressivement lors des tests de rappel.

Quelle peut être la longueur d'une entrée ?

Alibaba documente une limite par élément bien inférieure à Qwen3.7 et 10 éléments par batch. Divisez les documents plus longs en passages avant de les encoder. Consultez la page d'Alibaba pour connaître la limite exacte actuelle.

Renvoie-t-il des vecteurs creux ?

Oui, via l'API DashScope, qui renvoie des vecteurs creux en plus des vecteurs denses, vous permettant d'effectuer une recherche hybride mots-clés/sémantique sur le même index. La sortie creuse n'est disponible que sur cette API.

Dois-je passer à Qwen3.7 ?

Uniquement si vous avez besoin d'entrées beaucoup plus longues ou de vecteurs plus grands. Si des vecteurs compacts de 64 ou 128 dimensions vous conviennent, la v4 reste l'option qui les propose.

Combien coûte Text Embedding v4 ?

Les tarifs dépendent de l’unité de facturation, de la spécification et de l’usage. Comparez des conditions identiques dans la tarification détaillée du modèle ; un tarif seul ne détermine pas le coût total.

Quel endpoint Text Embedding v4 doit-il utiliser ?

Utilisez https://api.tokenlab.sh/v1/embeddings pour Text Embedding v4. L'exemple de requête ci-dessous montre la structure de code correspondante.

Quelles opérations Text Embedding v4 prend-il en charge ?

Text Embedding v4 prend en charge Embedding de texte. Sélectionnez une opération pour voir l'endpoint et un exemple.