Qwen: Qwen3 Embedding 8B

Qwen3 Embedding 8B est un modèle d'embedding de texte de Qwen, appartenant à la série Qwen3 Embedding que Qwen décrit comme sa dernière gamme propriétaire conçue spécifiquement pour les tâches d'embedding de texte et de classement. Il se situe dans la catégorie des embeddings plutôt que dans celle du chat, son rôle est donc de transformer du texte en vecteurs plutôt que de générer des réponses conversationnelles. La série hérite des capacités multilingues et de la gestion des textes longs de la famille Qwen au sens large, ce qui rend ce modèle pertinent si vous travaillez avec du contenu en plusieurs langues ou avec des documents qui ne tiennent pas dans de courts extraits.

Le modèle accepte du texte en entrée et renvoie des embeddings en sortie, rien d'autre. Sa fenêtre de contexte est de 32 768 tokens, et la sortie maximale est indiquée à 29 491, ce qui vous laisse la place d'encoder des passages assez longs en une seule requête au lieu de les découper en nombreux petits fragments. Il n'y a pas de paramètres de requête pris en charge au-delà des bases de l'appel, vous ne devez donc pas vous attendre à ce que des réglages comme temperature ou top_p modifient le résultat. La date de publication par le fournisseur est le 2025-10-28.

Comme la sortie est un vecteur plutôt que du texte, les usages pratiques découlent de la similarité et du classement plutôt que de la génération. Vous pouvez encoder des documents et des requêtes pour construire une recherche sémantique sur un corpus, regrouper ou dédupliquer du texte en comparant les distances entre vecteurs, ou alimenter une étape de récupération en amont d'un modèle de génération distinct avec des embeddings. Le contenu multilingue est un bon candidat compte tenu de la description de la série, et le contexte long signifie que des sections entières d'un document peuvent être encodées sans troncature agressive. Les tâches de classement, pour lesquelles la série est explicitement conçue, sont une autre application naturelle.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "qwen/qwen3-embedding-8b". Comme l'interface suit le format d'embeddings d'OpenAI, vous envoyez votre texte dans le champ input et récupérez le vecteur dans la réponse, en utilisant les mêmes bibliothèques clientes et la même forme de requête que pour les autres points de terminaison d'embedding sur la passerelle. Le modèle ne prend en charge aucun paramètre supplémentaire, gardez donc les requêtes simples et évitez de transmettre des options d'échantillonnage qui n'ont aucun effet ici.

Un point à prendre en compte est qu'il s'agit uniquement d'un modèle d'embedding. Si vous avez besoin de texte généré, d'appels d'outils ou de sortie de raisonnement, un modèle de chat est le bon choix à la place, et ce modèle ne remplira pas ce rôle. Si vos entrées dépassent régulièrement 32 768 tokens, vous devrez les découper avant de les envoyer. Dans ces limites, c'est une option simple pour les pipelines de recherche, de regroupement et de classement qui ont besoin d'embeddings multilingues pour textes longs.