Alibaba Cloud: Qwen3.7 Text Embedding

O Qwen3.7 Text Embedding transforma texto multilíngue em vetores semânticos, com várias opções de dimensão. É útil para recuperação em documentos longos quando um aplicativo precisa equilibrar o detalhe do vetor com o armazenamento do índice.

Comparar modelos

qwen3.7-text-embedding

DisponívelAlibaba CloudIncorporaçãoSíncrono

Entrada / Saída: $0.0735 / $0.00
Contexto: 128K
Modalidades: Incorporação

Sobre o Qwen3.7 Text Embedding

O Qwen3.7 Text Embedding é o principal modelo de incorporação de texto da Alibaba, transformando texto multilíngue em vetores para recuperação e agrupamento. A Alibaba documenta entradas únicas muito longas, tamanhos de saída de 256 a 2560 dimensões, instruções de tarefa e vetores esparsos. É a opção de tamanho completo, enquanto o Qwen3.7 Text Embedding Flash é a versão mais leve.

Pontos fortes

Aceita entradas únicas muito longas, o que é adequado para incorporação de documentos inteiros em vez de fragmentação.
Tamanhos de saída de 256 a 2560 dimensões permitem ajustar o tamanho do índice em relação ao detalhe.
Um parâmetro de instrução permite descrever a tarefa de recuperação, como pesquisar documentação.
Suporta saída de vetor esparso além de vetores densos para pesquisa híbrida, de acordo com a Alibaba.

Quando usar outro modelo

Dimensões maiores custam mais armazenamento de índice, portanto, a versão Flash é mais adequada para coleções muito grandes.
Ele incorpora apenas texto; imagens e vídeos precisam do Qwen3-VL-Embedding.

Primeiros passos

Criar chave de API
Crie uma chave no Console e use com qualquer modelo da plataforma.

Envie sua primeira requisição

Copie o exemplo para sua linguagem e execute-o no endpoint.

IncorporaçãoEndpoint do 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."
}'

Parâmetros

Incorporação

Parâmetro	Valores e limites	Padrão	Notas
`dimensions`	256, 512, 768, 1024, 1536, 2048, 2560	Não fornecido	Não fornecido
`encoding_format`	float	Não fornecido	Não fornecido
`input`	Entradas: ≥ 1, ≤ 20	Não fornecido	Each input row is limited to 128000 tokens.
`user`	Não fornecido	Não fornecido	Não fornecido

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

Preço

O preço Verified vale para o Verified, que custa menos na maioria dos modelos. O preço Official é o preço publicado pelo fabricante do modelo e vale para a rota Official, mais confiável. O Auto cobra pela rota que conclui a solicitação.

Preço

Por 1M Token

Preço Verified: —
Preço Official: Entrada$0.0735Por 1M TokenSaída$0.00Por 1M Token

	Preço OfficialPor 1M Token	Preço VerifiedPor 1M Token	Desconto
Entrada	$0.0735	—	—
Saída	$0.00	—	—

Uso e atividade

A taxa de sucesso é a proporção de requisições concluídas. A latência é quanto tempo uma resposta completa leva; P95 significa que 95% das requisições terminaram dentro desse tempo.

Uso e disponibilidade

Últimas 24 horas

Requisições
Taxa de sucesso
Latência P95
Total de tokens

Desempenho do modelo

Última atualização 13 de nov. de 2026, 05:01 UTC

As métricas aparecerão assim que os limites de privacidade e volume de dados forem atingidos.

Os dados baseiam-se em solicitações agregadas de usuários, excluindo verificações de status.

Abrir no Console

Abra Qwen3.7 Text Embedding no Console com um prompt pronto para editar ou enviar.

Ajude-me a testar qwen3.7-text-embedding com text-embedding em /v1/embeddings. Exiba o resultado e custo.

Casos de uso

Recuperação de documentos longos
Incorpore relatórios ou manuais extensos como itens únicos e pesquise-os sem fragmentação agressiva.
Pesquisa híbrida
Combine vetores densos e esparsos para capturar tanto o significado quanto as palavras-chave exatas.
Bases de conhecimento multilíngues
Pesquise uma wiki da empresa escrita em vários idiomas usando consultas em qualquer um deles.

Exemplos de prompt

Incorpore este documento de política de 60 páginas como um item para recuperação posterior.

Incorpore a consulta 'como rotacionar chaves de API' com uma instrução descrevendo uma tarefa de pesquisa em central de ajuda.

Incorpore estes artigos de suporte multilíngues em 1024 dimensões para agrupamento.

Calculadora de custo

Tokens de entrada por mês1M tokens

Tokens de saída por mês0.5M tokens

Custo mensal estimado$0.073529

FAQ

Quais dimensões o Qwen3.7 Text Embedding oferece?

2560, 2048, 1536, 1024 (padrão), 768, 512 e 256. Escolha valores menores quando o armazenamento do índice ou a velocidade de pesquisa forem mais importantes do que o último nível de precisão.

Quanto texto cabe em um item?

A Alibaba documenta entradas únicas muito longas, muito mais longas por item do que o text-embedding-v4 aceita, portanto, documentos inteiros geralmente cabem sem fragmentação. Separadamente, uma solicitação pode conter até 20 itens.

O que é o parâmetro de instrução?

Uma instrução curta descrevendo a tarefa, por exemplo, uma consulta de pesquisa em documentação. A Alibaba relata um ganho de 1 a 5 por cento ao usá-lo.

Devo escolher o Qwen3.7 ou o text-embedding-v4?

O Qwen3.7 aceita entradas muito mais longas e vetores maiores. O text-embedding-v4 tem opções de dimensões menores, até 64. Escolha com base no comprimento do documento e no orçamento de armazenamento, depois teste a recuperação em seus próprios documentos com cada um.

Quanto custa o Qwen3.7 Text Embedding?

No TokenLab, Qwen3.7 Text Embedding custa Entrada $0.0735 / Saída $0.00 Por 1M Token. A tabela de preços acima mostra o detalhamento completo.

Qual endpoint o Qwen3.7 Text Embedding deve usar?

Use https://api.tokenlab.sh/v1/embeddings para Qwen3.7 Text Embedding. O exemplo de requisição abaixo mostra o formato de código correspondente.

Quais operações o Qwen3.7 Text Embedding suporta?

Qwen3.7 Text Embedding suporta Incorporação. Selecione uma operação acima para ver seu endpoint e exemplo de requisição.