Qwen: Qwen3 Embedding 4B

Qwen: Qwen3 Embedding 4B adalah model embedding dari Qwen, bagian dari seri Qwen3 Embedding. Seri ini digambarkan sebagai keluarga model proprietary terbaru Qwen yang dibangun khusus untuk tugas text embedding dan ranking, dan mewarisi kemampuan multibahasa serta penanganan teks panjang dari keluarga Qwen yang lebih luas. Jika aplikasi Anda membutuhkan vektor alih-alih teks yang dihasilkan, inilah jenis model yang dituju oleh seri ini.

Model ini menerima teks sebagai input dan mengembalikan embedding sebagai output, jadi model ini tidak menghasilkan prosa, kode, atau balasan chat. Model ini mendukung panjang konteks 32768 token, yang memungkinkan Anda melakukan embedding dokumen yang cukup panjang dalam satu permintaan alih-alih memecahnya menjadi potongan-potongan kecil. Output maksimum tercatat sebagai 29491. Karena modalitas inputnya hanya teks, gambar, audio, dan input non-teks lainnya di luar cakupan di sini.

Penggunaan praktis mengikuti langsung dari properti tersebut. Anda dapat melakukan embedding dokumen dan query untuk pencarian semantik atau retrieval-augmented generation, di mana konteks panjang berarti lebih sedikit potongan dan lebih sedikit fragmentasi pada satu bagian. Konten multibahasa cocok secara wajar mengingat deskripsi seri ini, sehingga retrieval dan pencocokan lintas bahasa menjadi beban kerja yang masuk akal. Embedding juga cocok untuk clustering, deduplikasi, pengelompokan topik, dan pipeline klasifikasi, dan tugas ranking secara eksplisit merupakan bagian dari tujuan seri ini dirancang. Di mana pun Anda membutuhkan representasi vektor tetap dari teks alih-alih jawaban yang dihasilkan, model ini adalah kandidatnya.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "qwen/qwen3-embedding-4b". Karena antarmukanya mengikuti konvensi embeddings OpenAI, Anda mengirim teks Anda di field input dan menerima vektor embedding di response, yang menjaga library klien OpenAI dan jalur kode yang ada tetap berfungsi dengan perubahan minimal. Perhatikan bahwa daftar parameter yang didukung untuk model ini kosong, jadi jangan mengasumsikan opsi seperti dimensions, encoding format, atau kontrol truncation tersedia; kirim input dan andalkan default yang diterapkan oleh endpoint.

Mengenai batasan, hal utama yang perlu diingat adalah ini model khusus embeddings. Model ini tidak akan menjawab pertanyaan, mengikuti instruksi, atau menghasilkan output percakapan, jadi jika Anda membutuhkan text generation, tool calling, atau reasoning, model chat atau completion adalah pilihan yang lebih tepat dan model ini sebaiknya berada di belakangnya sebagai komponen retrieval. Periksa juga bahwa input Anda tetap berada dalam konteks 32768 token, karena dokumen yang lebih panjang perlu dipecah sebelum embedding.