Alibaba Cloud: Qwen3.7 Text Embedding

Qwen3.7 Text Embedding mengubah teks multibahasa menjadi vektor semantik, dengan beberapa pilihan dimensi. Model ini berguna untuk pengambilan dokumen panjang ketika aplikasi perlu menyeimbangkan detail vektor terhadap penyimpanan indeks.

Bandingkan model

qwen3.7-text-embedding

TersediaAlibaba CloudEmbeddingSinkronkan

Masukan / Keluaran: $0.0735 / $0.00
Konteks: 128K
Modalitas: Embedding

Tentang Qwen3.7 Text Embedding

Qwen3.7 Text Embedding adalah model penyematan teks unggulan Alibaba, yang mengubah teks multibahasa menjadi vektor untuk pengambilan dan pengelompokan. Alibaba mendokumentasikan input tunggal yang sangat panjang, ukuran output dari 256 hingga 2560 dimensi, instruksi tugas, dan vektor jarang (sparse vectors). Ini adalah opsi ukuran penuh, sementara Qwen3.7 Text Embedding Flash adalah opsi yang lebih ringan.

Kelebihan

Menerima input tunggal yang sangat panjang, yang cocok untuk penyematan seluruh dokumen alih-alih pemotongan (chunking).
Ukuran output 256 hingga 2560 dimensi memungkinkan Anda menyesuaikan ukuran indeks dengan detail.
Parameter instruksi memungkinkan Anda mendeskripsikan tugas pengambilan, seperti mencari dokumentasi.
Mendukung output vektor jarang di samping vektor padat untuk pencarian hibrida, menurut Alibaba.

Kapan harus beralih

Dimensi yang lebih tinggi memerlukan penyimpanan indeks yang lebih besar, sehingga versi Flash lebih cocok untuk koleksi yang sangat besar.
Model ini hanya menyematkan teks; gambar dan video memerlukan Qwen3-VL-Embedding.

Memulai

Buat API key
Buat kunci di Console, gunakan untuk semua model di platform.

Kirim permintaan pertama Anda

Salin contoh untuk bahasa Anda dan jalankan terhadap endpoint tersebut.

EmbeddingEndpoint 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": "qwen3.7-text-embedding",
  "input": "The quick brown fox jumps over the lazy dog."
}'

Parameter

Embedding

Parameter	Nilai dan batas	Nilai bawaan	Catatan
`dimensions`	256, 512, 768, 1024, 1536, 2048, 2560	Tidak disediakan	Tidak disediakan
`encoding_format`	float	Tidak disediakan	Tidak disediakan
`input`	Jumlah masukan: ≥ 1, ≤ 20	Tidak disediakan	Each input row is limited to 128000 tokens.
`user`	Tidak disediakan	Tidak disediakan	Tidak disediakan

TokenLab exposes this model through the OpenAI-compatible /v1/embeddings route.

Penetapan Harga

Harga Verified berlaku untuk Verified yang lebih murah di sebagian besar model. Harga Official adalah harga resmi dari pembuat model dan berlaku untuk rute Official yang lebih andal. Auto menagihkan biaya berdasarkan rute yang menyelesaikan permintaan.

Penetapan Harga

per 1M token

Harga Verified: —
Harga Official: Masukan$0.0735per 1M tokenKeluaran$0.00per 1M token

	Harga Officialper 1M token	Harga Verifiedper 1M token	Diskon
Masukan	$0.0735	—	—
Keluaran	$0.00	—	—

Penggunaan & aktivitas

Tingkat keberhasilan adalah proporsi permintaan yang selesai. Latensi adalah berapa lama respons penuh berlangsung; P95 berarti 95% permintaan selesai dalam waktu tersebut.

Penggunaan & ketersediaan

24 jam terakhir

Permintaan
Tingkat keberhasilan
Latensi P95
Total token

Performa model

Terakhir diperbarui 13 Nov 2026, 05.01 UTC

Metrik akan muncul setelah ambang batas privasi dan volume data terpenuhi.

Data didasarkan pada permintaan pengguna gabungan, tidak termasuk pemeriksaan status.

Buka di Console

Buka Qwen3.7 Text Embedding di Console dengan prompt siap diedit atau dikirim.

Bantu saya mencoba qwen3.7-text-embedding dengan text-embedding di /v1/embeddings. Tampilkan hasil dan biayanya.

Skenario penggunaan

Pengambilan dokumen panjang
Sematkan laporan atau manual yang panjang sebagai item tunggal dan cari tanpa pemotongan yang agresif.
Pencarian hibrida
Gabungkan vektor padat dan jarang untuk menangkap makna sekaligus kata kunci yang tepat.
Basis pengetahuan multibahasa
Cari wiki perusahaan yang ditulis dalam banyak bahasa menggunakan kueri dalam bahasa apa pun.

Contoh prompt

Sematkan dokumen kebijakan 60 halaman ini sebagai satu item untuk pengambilan di kemudian hari.

Sematkan kueri 'bagaimana cara merotasi kunci API' dengan instruksi yang mendeskripsikan tugas pencarian pusat bantuan.

Sematkan artikel dukungan multibahasa ini pada 1024 dimensi untuk pengelompokan.

Kalkulator biaya

Token input bulanan1M token

Token output bulanan0.5M token

Perkiraan biaya bulanan$0.073529

FAQ

Dimensi apa yang ditawarkan Qwen3.7 Text Embedding?

2560, 2048, 1536, 1024 (default), 768, 512, dan 256. Pilih nilai yang lebih rendah jika penyimpanan indeks atau kecepatan pencarian lebih penting daripada tingkat akurasi tertinggi.

Berapa banyak teks yang muat dalam satu item?

Alibaba mendokumentasikan input tunggal yang sangat panjang, jauh lebih panjang per item daripada yang diterima text-embedding-v4, sehingga seluruh dokumen sering kali muat tanpa pemotongan. Secara terpisah, satu permintaan dapat membawa hingga 20 item.

Apa itu parameter instruksi?

Instruksi singkat yang mendeskripsikan tugas, misalnya kueri pencarian terhadap dokumentasi. Alibaba melaporkan peningkatan 1 hingga 5 persen dari penggunaan parameter ini.

Haruskah saya memilih Qwen3.7 atau text-embedding-v4?

Qwen3.7 menerima input yang jauh lebih panjang dan vektor yang lebih besar. text-embedding-v4 memiliki pilihan dimensi yang lebih kecil hingga 64. Pilih berdasarkan panjang dokumen dan anggaran penyimpanan, lalu uji perolehan (recall) pada dokumen Anda sendiri dengan masing-masing model.

Berapa biaya Qwen3.7 Text Embedding?

Di TokenLab, Qwen3.7 Text Embedding dikenakan Masukan $0.0735 / Keluaran $0.00 per 1M token. Tabel harga di atas menampilkan rincian lengkap.

Endpoint mana yang harus digunakan Qwen3.7 Text Embedding?

Pakai https://api.tokenlab.sh/v1/embeddings sebagai default untuk Qwen3.7 Text Embedding. Jika format native penyedia didukung, API workbench juga menampilkan endpoint tersebut.

Operasi apa saja yang didukung Qwen3.7 Text Embedding?

Qwen3.7 Text Embedding mendukung Embedding. Pilih operasi di API workbench di atas untuk melihat endpoint dan contoh kode terkait.