Alibaba Cloud: Qwen3.7 Text Embedding

Qwen3.7 Text Embedding, çok dilli metni çeşitli boyut seçenekleriyle anlamsal vektörlere dönüştürür. Bir uygulamanın vektör detayını dizin depolamaya karşı dengelemesi gerektiğinde uzun belgeler üzerinde geri alma için kullanışlıdır.

Modelleri karşılaştır

qwen3.7-text-embedding

MevcutAlibaba CloudVektörleştirmeSenkron

Girdi / Çıktı: $0.0735 / $0.00
Bağlam: 128K
Modlar: Vektörleştirme

Qwen3.7 Text Embedding hakkında

Qwen3.7 Text Embedding, Alibaba'nın çok dilli metinleri geri alma ve kümeleme için vektörlere dönüştüren amiral gemisi metin gömme modelidir. Alibaba; çok uzun tekil girdileri, 256 ile 2560 boyut arasındaki çıktı boyutlarını, görev talimatlarını ve seyrek vektörleri belgeler. Bu tam boyutlu seçenektir, Qwen3.7 Text Embedding Flash ise daha hafif olanıdır.

Güçlü yönleri

Çok uzun tekil girdileri kabul eder; bu, parçalama yerine tüm belgenin gömülmesi için uygundur.
256 ile 2560 boyut arasındaki çıktı boyutları, dizin boyutunu ayrıntıya göre ayarlamanıza olanak tanır.
Bir talimat parametresi, dokümantasyon arama gibi geri alma görevini tanımlamanıza olanak tanır.
Alibaba'ya göre, hibrit arama için yoğun vektörlerin yanı sıra seyrek vektör çıktısını da destekler.

Alternatif aramanız gereken durumlar

Daha yüksek boyutlar daha fazla dizin depolama alanı gerektirir, bu nedenle Flash sürümü çok büyük koleksiyonlar için daha uygundur.
Yalnızca metin gömer; görseller ve videolar için Qwen3-VL-Embedding gerekir.

Başlarken

API anahtarı oluştur
Console'da bir anahtar oluşturun, platformdaki tüm modellerle kullanın.

İlk isteğinizi gönderin

Diliniz için olan örneği kopyalayın ve uç noktada çalıştırın.

VektörleştirmeTokenLab uç noktası

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."
}'

Parametreler

Vektörleştirme

Parametre	Değerler ve sınırlar	Varsayılan	Notlar
`dimensions`	256, 512, 768, 1024, 1536, 2048, 2560	Belirtilmemiş	Belirtilmemiş
`encoding_format`	float	Belirtilmemiş	Belirtilmemiş
`input`	Girdi sayısı: ≥ 1, ≤ 20	Belirtilmemiş	Each input row is limited to 128000 tokens.
`user`	Belirtilmemiş	Belirtilmemiş	Belirtilmemiş

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

Fiyatlandırma

Verified fiyatı Verified için geçerlidir ve çoğu modelde daha düşüktür. Official fiyatı, model üreticisinin yayınladığı fiyattır ve daha güvenilir Official rotası için geçerlidir. Auto, isteği tamamlayan rotanın fiyatını uygular.

Fiyatlandırma

1M token başına

Verified fiyatı: —
Official fiyatı: Girdi$0.07351M token başınaÇıktı$0.001M token başına

	Official fiyatı1M token başına	Verified fiyatı1M token başına	İndirim
Girdi	$0.0735	—	—
Çıktı	$0.00	—	—

Kullanım ve etkinlik

Başarı oranı, tamamlanan isteklerin payıdır. Gecikme, tam bir yanıtın ne kadar sürdüğüdür; P95, isteklerin %95’inin bu süre içinde tamamlandığı anlamına gelir.

Kullanım ve kullanılabilirlik

Son 24 saat

İstekler
Başarı oranı
P95 gecikmesi
Toplam token

Model performansı

Son güncelleme: 13 Kas 2026 05:01 UTC

Metrikler, gizlilik ve veri hacmi eşikleri karşılandığında görünür.

Veriler, durum kontrolleri hariç tutularak toplu kullanıcı isteklerine dayanmaktadır.

Console'da aç

Qwen3.7 Text Embedding modelini Console'da açın, istemi düzenlemek veya göndermek için hazır hale getirin.

qwen3.7-text-embedding ile /v1/embeddings üzerinden text-embedding işlemini dene. Sonucu ve maliyeti göster.

Kullanım senaryoları

Uzun belge geri alma
Uzun raporları veya kılavuzları tek öğe olarak gömün ve agresif parçalama yapmadan arayın.
Hibrit arama
Hem anlamı hem de tam anahtar kelimeleri yakalamak için yoğun ve seyrek vektörleri birleştirin.
Çok dilli bilgi tabanları
Birçok dilde yazılmış bir şirket wikisini, herhangi bir dildeki sorguları kullanarak arayın.

Prompt örnekleri

Bu 60 sayfalık politika belgesini daha sonra geri almak üzere tek bir öğe olarak gömün.

'API anahtarlarını nasıl döndürürüm' sorgusunu, bir yardım merkezi arama görevini tanımlayan bir talimatla gömün.

Bu çok dilli destek makalelerini kümeleme için 1024 boyutta gömün.

Maliyet hesaplayıcı

Aylık giriş token sayısı1M token

Aylık çıkış token sayısı0.5M token

Tahmini aylık maliyet$0.073529

FAQ

Qwen3.7 Text Embedding hangi boyutları sunuyor?

2560, 2048, 1536, 1024 (varsayılan), 768, 512 ve 256. Dizin depolama veya arama hızı, doğrulamanın son noktasından daha önemli olduğunda daha düşük değerleri seçin.

Tek bir öğeye ne kadar metin sığar?

Alibaba çok uzun tekil girdileri belgeler; bu, text-embedding-v4'ün kabul ettiğinden öğe başına çok daha uzundur, bu nedenle tüm belgeler genellikle parçalanmadan sığar. Ayrıca, bir istek 20 öğeye kadar taşıyabilir.

Talimat parametresi nedir?

Görevi tanımlayan kısa bir talimat; örneğin dokümantasyona karşı bir arama sorgusu. Alibaba, bunu kullanmanın yüzde 1 ila 5 oranında bir kazanç sağladığını bildirmektedir.

Qwen3.7'yi mi yoksa text-embedding-v4'ü mü seçmeliyim?

Qwen3.7 çok daha uzun girdileri ve daha büyük vektörleri kabul eder. text-embedding-v4, 64'e kadar inen daha küçük boyut seçeneklerine sahiptir. Belge uzunluğuna ve depolama bütçesine göre seçin, ardından her biriyle kendi belgeleriniz üzerinde geri çağırma (recall) testi yapın.

Qwen3.7 Text Embedding ne kadara mal olur?

TokenLab üzerinde Qwen3.7 Text Embedding Girdi $0.0735 / Çıktı $0.00 1M token başına'dır. Tam dökümü yukarıdaki fiyat tablosunda bulabilirsiniz.

Qwen3.7 Text Embedding hangi endpoint'i kullanmalı?

Qwen3.7 Text Embedding için varsayılan olarak https://api.tokenlab.sh/v1/embeddings kullanın. Sağlayıcıya özgü yerel format destekleniyorsa API workbench bu endpoint'i de gösterir.

Qwen3.7 Text Embedding hangi operasyonları destekler?

Qwen3.7 Text Embedding Vektörleştirme destekler. Yukarıdaki API workbench'te bir operasyon seçerek ilgili endpoint ve kod örneğini görebilirsiniz.