Qwen: Qwen3 Embedding 4B

Qwen : Qwen3 Embedding 4B est un modèle d'embedding de Qwen, faisant partie de la série Qwen3 Embedding. La série est décrite comme la dernière famille de modèles propriétaires de Qwen, conçue spécifiquement pour les tâches d'embedding de texte et de classement, et elle hérite des capacités multilingues et de la gestion des textes longs de la famille Qwen au sens large. Si votre application a besoin de vecteurs plutôt que de texte généré, c'est le type de modèle pour lequel la série est prévue.

Le modèle prend du texte en entrée et renvoie des embeddings en sortie, il ne génère donc pas de prose, de code ni de réponses de chat. Il prend en charge une longueur de contexte de 32768 tokens, ce qui vous permet d'encoder des documents assez longs en une seule requête plutôt que de les découper en petits morceaux. La sortie maximale est indiquée comme 29491. Comme la modalité d'entrée est uniquement textuelle, les images, l'audio et les autres entrées non textuelles sont hors de portée ici.

Les usages pratiques découlent directement de ces propriétés. Vous pouvez encoder des documents et des requêtes pour la recherche sémantique ou la génération augmentée par récupération, où un contexte long signifie moins de morceaux et moins de fragmentation d'un même passage. Le contenu multilingue est un bon candidat compte tenu de la description de la série, donc la récupération et la correspondance inter-langues sont des charges de travail plausibles. Les embeddings conviennent également au clustering, à la déduplication, au regroupement thématique et aux pipelines de classification, et les tâches de classement font explicitement partie de ce pour quoi la série est conçue. Partout où vous avez besoin d'une représentation vectorielle fixe d'un texte plutôt que d'une réponse générée, ce modèle est un candidat.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "qwen/qwen3-embedding-4b". Comme l'interface suit la convention des embeddings d'OpenAI, vous envoyez votre texte dans le champ input et recevez des vecteurs d'embedding dans la réponse, ce qui permet aux bibliothèques clientes OpenAI et aux chemins de code existants de continuer à fonctionner avec un minimum de modifications. Notez que la liste des paramètres pris en charge pour ce modèle est vide, ne supposez donc pas que des options telles que dimensions, encoding format ou des contrôles de troncature sont disponibles ; envoyez l'entrée et fiez-vous aux valeurs par défaut appliquées par le point de terminaison.

Concernant les limites, la principale à garder en tête est qu'il s'agit d'un modèle d'embeddings uniquement. Il ne répondra pas aux questions, ne suivra pas d'instructions et ne produira pas de sortie conversationnelle, donc si vous avez besoin de génération de texte, d'appel d'outils ou de raisonnement, un modèle de chat ou de complétion conviendra mieux et celui-ci doit se placer derrière lui comme composant de récupération. Vérifiez également que vos entrées restent dans le contexte de 32768 tokens, car les documents plus longs doivent être découpés avant l'embedding.