Alibaba: Text Embedding v4

O Text Embedding v4 converte passagens multilíngues em vetores com dimensões ajustáveis. É útil para busca e agrupamento quando uma aplicação deseja ajustar o equilíbrio entre representação semântica e tamanho do índice.

Comparar modelos

text-embedding-v4

DisponívelAlibabaIncorporaçãoSíncrono

Entrada / Saída: $0.07 / —
Contexto: 8K
Modalidades: Incorporação

Sobre o Text Embedding v4

O Text Embedding v4 é o modelo de embedding de texto multilíngue estabelecido da Alibaba, com mais de 100 idiomas e tamanhos de saída de 64 a 2048 dimensões. Ele aceita 10 itens por lote e pode retornar vetores esparsos através da API DashScope. Ele fica abaixo do Qwen3.7 Text Embedding em comprimento de entrada, mas oferece vetores menores.

Pontos fortes

Oferece tamanhos de saída pequenos, de até 64 e 128 dimensões, para orçamentos de índice restritos.
Vetores esparsos via API DashScope permitem busca híbrida de palavras-chave e semântica.
Cobre chinês, inglês, espanhol, francês e mais de 100 outros idiomas.
Suporta o parâmetro 'instruct' para descrever a tarefa de recuperação.

Quando usar outro modelo

As entradas por item são curtas, portanto, documentos longos devem ser divididos em partes (chunked) antes do embedding.
Os lotes comportam 10 itens, menos do que os 20 permitidos pelo Qwen3.7 Text 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.

Embedding de textoEndpoint 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": "text-embedding-v4",
  "input": "The quick brown fox jumps over the lazy dog."
}'

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.

Default

Por 1M Token

Preço Official: Entrada $0.07 / Texto Entrada $0.07
Preço Verified: —
Desconto: —

	Preço OfficialPor 1M Token	Preço VerifiedPor 1M Token	Desconto
Default	Entrada $0.07 / Texto Entrada $0.07	—	—

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 10 de out. de 2026, 08:08 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 Text Embedding v4 no Console com um prompt pronto para editar ou enviar.

Ajude-me a testar text-embedding-v4 com text-embedding em /v1/embeddings. Exiba o resultado e custo.

Casos de uso

Busca semântica em sites
Fazer o embedding de páginas em partes e combinar as perguntas dos usuários com as passagens mais próximas.
Agrupamento de feedback
Agrupar milhares de avaliações ou tickets de suporte por tópico usando vetores compactos e uma etapa de agrupamento.
Recuperação híbrida
Combinar saída densa e esparsa para que termos exatos, como números de peça, ainda correspondam.

Exemplos de prompt

Fazer o embedding destes 2.000 tickets de suporte com 256 dimensões e agrupá-los por tópico.

Fazer o embedding desta parte de FAQ com saída esparsa para busca híbrida.

Fazer o embedding da consulta em espanhol 'cómo cancelo mi suscripción' para encontrar artigos de ajuda correspondentes.

Este modelo tem preço condicional. Totais mensais de tokens sozinhos não produzem uma estimativa confiável; use o preço detalhado para a especificação da requisição, cache e janela aplicável.

FAQ

Quais dimensões o text-embedding-v4 suporta?

2048, 1536, 1024 (padrão), 768, 512, 256, 128 e 64. Tamanhos menores reduzem o armazenamento e aceleram a busca, com algum custo na precisão. Comece pelo padrão e reduza enquanto testa a recuperação.

Qual o tamanho máximo de uma entrada?

A Alibaba documenta um limite por item bem abaixo do Qwen3.7 e 10 itens por lote. Divida documentos mais longos em passagens antes de fazer o embedding. Verifique a página da Alibaba para o limite exato atual.

Ele retorna vetores esparsos?

Sim, através da API DashScope, que retorna vetores esparsos junto com os densos, para que você possa executar uma busca híbrida de palavras-chave e semântica sobre o mesmo índice. A saída esparsa está disponível apenas nessa API.

Devo mudar para o Qwen3.7?

Apenas se você precisar de entradas muito mais longas ou vetores maiores. Se vetores compactos de 64 ou 128 dimensões lhe atendem, o v4 continua sendo a opção que os oferece.

Quanto custa o Text Embedding v4?

As tarifas dependem da unidade de cobrança, da especificação e do uso. Compare condições iguais no preço detalhado do modelo; uma única tarifa não determina o custo total.

Qual endpoint o Text Embedding v4 deve usar?

Use https://api.tokenlab.sh/v1/embeddings para Text Embedding v4. O exemplo de requisição abaixo mostra o formato de código correspondente.

Quais operações o Text Embedding v4 suporta?

Text Embedding v4 suporta Embedding de texto. Selecione uma operação acima para ver seu endpoint e exemplo de requisição.