Qwen: Qwen3 Embedding 8B

Qwen3 Embedding 8B es un modelo de embedding de texto de Qwen, parte de la serie Qwen3 Embedding que Qwen describe como su línea propietaria más reciente construida específicamente para tareas de embedding de texto y ranking. Se sitúa en la categoría de embeddings en lugar de la categoría de chat, por lo que su trabajo es convertir texto en vectores en lugar de generar respuestas conversacionales. La serie hereda las capacidades multilingües y el manejo de texto largo de la familia Qwen en general, lo que hace que este modelo sea relevante si trabajas con contenido en más de un idioma o con documentos que no encajan en fragmentos cortos.

El modelo acepta texto como entrada y devuelve embeddings como salida, nada más. Su ventana de contexto es de 32,768 tokens, y la salida máxima se indica como 29,491, lo que te da espacio para incrustar pasajes bastante largos en una sola solicitud en lugar de dividirlos en muchos fragmentos pequeños. No hay parámetros de solicitud compatibles más allá de lo básico de la llamada, por lo que no deberías esperar que ajustes como temperature o top_p cambien el resultado. La fecha de lanzamiento del proveedor es 2025-10-28.

Debido a que la salida es un vector en lugar de texto, los usos prácticos se derivan de la similitud y el ranking en lugar de la generación. Puedes incrustar documentos y consultas para construir búsqueda semántica sobre un corpus, agrupar o deduplicar texto comparando distancias de vectores, o alimentar embeddings en un paso de recuperación delante de un modelo de generación separado. El contenido multilingüe es una opción razonable dada la descripción de la serie, y el contexto largo significa que secciones completas de un documento se pueden incrustar sin truncamiento agresivo. Las tareas de ranking, para las que la serie está diseñada explícitamente, son otra aplicación natural.

Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "qwen/qwen3-embedding-8b". Debido a que la interfaz sigue el formato de embeddings de OpenAI, envías tu texto en el campo input y lees el vector de vuelta desde la respuesta, usando las mismas bibliotecas cliente y la misma forma de solicitud que usarías para otros endpoints de embedding en la pasarela. El modelo no admite parámetros adicionales, así que mantén las solicitudes simples y evita pasar opciones de muestreo que no tienen efecto aquí.

Una cosa a tener en cuenta es que este es solo un modelo de embedding. Si necesitas texto generado, llamadas a herramientas o salida de razonamiento, un modelo de chat es la elección correcta en su lugar, y este modelo no servirá para ese propósito. Si tus entradas superan regularmente los 32,768 tokens, necesitarás dividirlas antes de enviarlas. Dentro de esos límites, es una opción sencilla para pipelines de búsqueda, agrupamiento y ranking que necesitan embeddings multilingües de texto largo.