阿里云: Tongyi Embedding Vision Plus

Tongyi Embedding Vision Plus 为视觉与文字资料生成向量表示，适合混合媒体目录，将图片与说明文字或相关内容连接起来。

tongyi-embedding-vision-plus

可用阿里云嵌入同步

输入 / 输出: $0.09 / —
模态: 嵌入视觉

Tongyi Embedding Vision Plus 简介

Tongyi Embedding Vision Plus 是阿里巴巴的多模态向量化（embedding）模型，可为文本、图片和视频生成向量。它只输出固定的 1152 维，支持中文和英文，可接收最多 8 张图片的序列。与 Qwen3-VL-Embedding 不同，它只返回独立的向量，没有融合模式，也不能调整维度。

擅长的任务

把文本、图片和视频向量化到同一个向量空间，支持跨模态检索。
单次输入可接收最多八张图片的序列。
固定的 1152 维输出让索引设计保持简单。
适合中文和英文的内容目录，这是阿里巴巴为它列出的两种语言。

什么情况换别的模型

语言仅限中文和英文，而 Qwen3-VL-Embedding 覆盖 33 种。
维度不可更改，也不提供融合向量。

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": "tongyi-embedding-vision-plus",
  "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 $0.09 / 文本输入 $0.09 / 图像输入 $0.09
Verified 价格: —
折扣: —

	Official 价格每 1M token	Verified 价格每 1M token	折扣
Default	输入 $0.09 / 文本输入 $0.09 / 图像输入 $0.09	—	—

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

Tongyi Embedding Vision Plus 已在 Console 备好，提示词已填好，可以直接修改或发送。

帮我用 tongyi-embedding-vision-plus 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

混合媒体目录
把商品照片和描述一起建索引，让文字查询能检索到匹配的图片。
图片序列匹配
把最多八张图片的序列（比如一组商品图）向量化，并与文本比较。
配图与说明配对
在混合媒体档案中，通过最近向量搜索把图片关联到说明文字或相关文章。

提示词示例

把这组六张商品照片向量化，让它可以用文字搜索。

把中文查询“白色运动鞋”向量化，检索匹配的鞋子图片。

把这段视频和它的说明文字分别向量化，并比较它们的向量。

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

Tongyi Embedding Vision Plus 返回多大的向量？

1152 维，固定。阿里巴巴没有为这个模型列出其他尺寸，所以索引设计可以统一按一种向量宽度来做。请确认你的向量数据库已按这个宽度配置。

它支持哪些语言？

据阿里巴巴的参考文档，支持中文和英文。其他语言的查询不在覆盖范围内，需要更广的语言覆盖时请用 Qwen3-VL-Embedding。

可以一次向量化多张图片吗？

可以，以多图输入的形式，最多 8 张，不过每个结果都是独立的向量，而不是把多张图合并的融合向量。

什么时候该改用 Qwen3-VL-Embedding？

需要可调整维度、融合向量，或中英文以外的语言时，这些都是 Qwen3-VL-Embedding 提供而这个模型没有的。查询涉及多种语言时也选它。

Tongyi Embedding Vision Plus 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。

Tongyi Embedding Vision Plus 应该使用哪个端点？

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

Tongyi Embedding Vision Plus 支持哪些操作？

Tongyi Embedding Vision Plus 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。

Tongyi Embedding Vision Plus 对比

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

资料来源

审阅于 2026年10月2日