阿里云: Qwen3-VL-Embedding

Qwen3 VL Embedding 将视觉与文字内容表示为检索向量，适合用文字查找图片，或把视觉素材与相关文字资料关联起来。

qwen3-vl-embedding

可用阿里云嵌入同步

输入 / 输出: $0.10 / —
上下文: 32K
模态: 嵌入视觉

Qwen3-VL-Embedding 简介

Qwen3-VL-Embedding 是阿里巴巴的多模态向量化（embedding）模型：把文本、图片和视频映射成向量，让一次查询可以检索到其中任何一种。阿里巴巴列出支持 33 种主要语言，输出维度可在 256 到 2560 之间选择，另有融合模式，可以把多个输入合并成一个向量。它是阿里巴巴两个多模态向量模型中更灵活的一个。

擅长的任务

一个模型就能对文本、图片、视频和多张图片做向量化，实现跨模态搜索。
输出维度可从 256 选到 2560，在精度和存储之间取舍。
融合模式把一次请求里的所有输入合并成一个向量，比如一张图片加上它的说明文字。
据阿里巴巴的参考文档，覆盖 33 种主要语言。

什么情况换别的模型

2560 维的大向量会增大索引体积，在意存储就选较小的维度。
它只产生向量；对结果排序或生成答案需要另一个模型。

快速上手

创建 API 密钥
在 Console 生成一把密钥，平台上的模型都能用。

发送第一个请求

复制你所用语言的示例代码，向该端点发起请求。

多模态嵌入TokenLab 端点

POST/v1/multimodal/embeddings

curl -X POST "https://api.tokenlab.sh/v1/multimodal/embeddings" \
  -H "Authorization: Bearer sk-xxx" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "qwen3-vl-embedding",
  "input": {
    "text": "The quick brown fox jumps over the lazy dog."
  }
}'

参数

多模态嵌入

参数	可选值与限制	默认值	说明
`dimensions`	未提供	未提供	This field is accepted. The current public contract does not specify a complete value range or list. No additional values are promised. The omitted-field default is not verified.
`input`	未提供	未提供	未提供
`input_modality`	未提供	未提供	未提供

TokenLab currently keeps image input behind ENABLE_MULTIMODAL_IMAGE_INPUT; public contract should not promise image/video input until live probes and docs are opened end to end.

价格

Verified 价格用于 Verified，多数模型更便宜；Official 价格是模型厂商公布的价格，用于更稳定的 Official。Auto 按最终完成请求的线路计价。

Default

每 1M token

Official 价格: 输入 $0.10 / 文本输入 $0.10 / 图像输入 $0.258
Verified 价格: —
折扣: —

	Official 价格每 1M token	Verified 价格每 1M token	折扣
Default	输入 $0.10 / 文本输入 $0.10 / 图像输入 $0.258	—	—

用量与动态

成功率是请求完成的比例；延迟是拿到一次完整响应要花的时间，P95 表示 95% 的请求都在这个时间内完成。

用量与可用性

直接在 Console 里试

Qwen3-VL-Embedding 已在 Console 备好，提示词已填好，可以直接修改或发送。

帮我用 qwen3-vl-embedding 完成一次 multimodal-embedding，接口是 /v1/multimodal/embeddings。返回结果和费用。

使用场景

适用场景

视觉

以文搜图
把照片库做成向量索引，用多种语言的文字描述检索图片。
商品目录
把每张商品图与标题融合成一个向量，让买家既能按外观也能按文字找到商品。
视频检索
对视频片段做向量化，让剪辑人员用一句普通文字就能找到素材，而不必手动给每个片段打标签。

提示词示例

把这张商品图和它的标题文字一起做向量化，生成一个融合向量。

对查询“明亮客厅里的红色真皮沙发”做向量化，用于图片检索。

对这段 20 秒的视频片段做向量化，以便用文字搜索找到它。

此模型按条件计价，仅凭月度 token 总量无法可靠估算；请按请求规格、缓存和适用时段查看详细定价。

FAQ

Qwen3-VL-Embedding 可以对什么做向量化？

文本、图片、视频和多张图片。阿里巴巴的参考文档列出，既可以对每个输入独立生成向量，也可以用融合模式把所有输入合在一起返回一个向量。

有哪些输出维度？

默认 2560，可选 2048、1536、1024、768、512 和 256。较小的维度节省索引空间，检索精度会略有损失。建议先用你自己的查询测试较小的维度，往往检索效果相差无几。

支持哪些语言？

阿里巴巴列出 33 种主要语言，包括中文、英语、日语、韩语、法语和德语，所以用多种语言的查询都能找到同样的图片。小语种请在上线前用样本验证。

它和 Tongyi Embedding Vision Plus 有什么区别？

Qwen3-VL-Embedding 提供可调维度、融合模式和更广的语言覆盖。Tongyi Embedding Vision Plus 只有一种固定输出维度，且只支持中文和英语。

Qwen3-VL-Embedding 的费用是多少？

价格因计费单位、规格和用量而异。请在模型的详细定价中对比相同条件下的费率；单一费率不代表总价。

Qwen3-VL-Embedding 应该使用哪个端点？

Qwen3-VL-Embedding 使用 https://api.tokenlab.sh/v1/multimodal/embeddings。代码写法见下方的请求示例。

Qwen3-VL-Embedding 支持哪些操作？

Qwen3-VL-Embedding 支持多模态嵌入。选了操作，上面会显示对应的端点和请求示例。

Qwen3-VL-Embedding 对比

Qwen3-VL-Embedding 对比 Tongyi Embedding Vision Plus Qwen3-VL-Embedding 对比 Gemini Embedding 2 Qwen3-VL-Embedding 对比 Qwen3.7 Text Embedding Qwen3-VL-Embedding 对比 Voyage 4

资料来源

审阅于 2026年10月2日