Alibaba: Text Embedding v4

Text Embedding v4 mengubah bagian teks multibahasa menjadi vektor dengan dimensi yang dapat disesuaikan. Model ini berguna untuk pencarian dan pengelompokan ketika aplikasi ingin menyesuaikan keseimbangan antara representasi semantik dan jejak indeks.

Bandingkan model

text-embedding-v4

TersediaAlibabaEmbeddingSinkronkan

Masukan / Keluaran: $0.07 / —
Konteks: 8K
Modalitas: Embedding

Tentang Text Embedding v4

Text Embedding v4 adalah model embedding teks multibahasa yang mapan dari Alibaba, dengan lebih dari 100 bahasa dan ukuran output dari 64 hingga 2048 dimensi. Model ini menerima 10 item per batch, dan dapat mengembalikan vektor jarang (sparse) melalui API DashScope. Model ini berada di bawah Qwen3.7 Text Embedding dalam hal panjang input tetapi menawarkan vektor yang lebih kecil.

Kelebihan

Menawarkan ukuran output kecil hingga 64 dan 128 dimensi untuk anggaran indeks yang ketat.
Vektor jarang melalui API DashScope memungkinkan pencarian hibrida kata kunci-plus-semantik.
Mencakup bahasa Mandarin, Inggris, Spanyol, Prancis, dan lebih dari 100 bahasa lainnya.
Mendukung parameter instruct untuk mendeskripsikan tugas pengambilan.

Kapan harus beralih

Input per item pendek, sehingga dokumen panjang harus dipecah (chunked) sebelum di-embed.
Batch menampung 10 item, lebih sedikit dari 20 yang diizinkan oleh Qwen3.7 Text 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.

Embedding TeksEndpoint 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."
}'

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.

Default

per 1M token

Harga Official: Masukan $0.07 / Teks Masukan $0.07
Harga Verified: —
Diskon: —

	Harga Officialper 1M token	Harga Verifiedper 1M token	Diskon
Default	Masukan $0.07 / Teks Masukan $0.07	—	—

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 10 Okt 2026, 04.09 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 Text Embedding v4 di Console dengan prompt siap diedit atau dikirim.

Bantu saya mencoba text-embedding-v4 dengan text-embedding di /v1/embeddings. Tampilkan hasil dan biayanya.

Skenario penggunaan

Pencarian situs semantik
Embed halaman dalam potongan-potongan dan cocokkan pertanyaan pengguna dengan bagian yang paling relevan.
Pengelompokan umpan balik
Kelompokkan ribuan ulasan atau tiket dukungan berdasarkan topik menggunakan vektor ringkas dan langkah pengelompokan.
Pengambilan hibrida
Gabungkan output padat dan jarang agar istilah eksak seperti nomor komponen tetap cocok.

Contoh prompt

Embed 2.000 tiket dukungan ini pada 256 dimensi dan kelompokkan berdasarkan topik.

Embed potongan FAQ ini dengan output jarang untuk pencarian hibrida.

Embed kueri bahasa Spanyol 'cómo cancelo mi suscripción' untuk menemukan artikel bantuan yang cocok.

Model ini memiliki harga kondisional. Total token bulanan saja tidak dapat menghasilkan estimasi yang andal; gunakan harga detail untuk spesifikasi permintaan, cache, dan jendela waktu yang berlaku.

FAQ

Dimensi apa saja yang didukung text-embedding-v4?

2048, 1536, 1024 (default), 768, 512, 256, 128, dan 64. Ukuran yang lebih rendah mengurangi penyimpanan dan mempercepat pencarian, dengan sedikit penurunan presisi. Mulailah dari default dan turunkan secara bertahap saat menguji recall.

Berapa panjang input yang diperbolehkan?

Alibaba mendokumentasikan batas per item yang jauh di bawah Qwen3.7 dan 10 item per batch. Pecah dokumen yang lebih panjang menjadi bagian-bagian sebelum melakukan embedding. Periksa halaman Alibaba untuk batas eksak saat ini.

Apakah model ini mengembalikan vektor jarang?

Ya, melalui API DashScope, yang mengembalikan vektor jarang bersamaan dengan vektor padat sehingga Anda dapat menjalankan pencarian hibrida kata kunci-plus-semantik pada indeks yang sama. Output jarang hanya tersedia pada API tersebut.

Haruskah saya beralih ke Qwen3.7?

Hanya jika Anda memerlukan input yang jauh lebih panjang atau vektor yang lebih besar. Jika vektor ringkas 64 atau 128 dimensi cocok untuk Anda, v4 tetap menjadi pilihan yang menawarkannya.

Berapa biaya Text Embedding v4?

Tarif bergantung pada unit penagihan, spesifikasi, dan penggunaan. Bandingkan kondisi yang sama dalam harga detail model; satu tarif tidak menentukan total biaya.

Endpoint mana yang harus digunakan Text Embedding v4?

Pakai https://api.tokenlab.sh/v1/embeddings sebagai default untuk Text Embedding v4. Jika format native penyedia didukung, API workbench juga menampilkan endpoint tersebut.

Operasi apa saja yang didukung Text Embedding v4?

Text Embedding v4 mendukung Embedding Teks. Pilih operasi di API workbench di atas untuk melihat endpoint dan contoh kode terkait.