Qwen: Qwen3 Embedding 4B

Qwen: Qwen3 Embedding 4B é um modelo de embedding da Qwen, parte da série Qwen3 Embedding. A série é descrita como a mais recente família de modelos proprietários da Qwen, construída especificamente para tarefas de embedding de texto e ranking, e herda as capacidades multilíngues e o tratamento de textos longos da família Qwen mais ampla. Se a sua aplicação precisa de vetores em vez de texto gerado, este é o tipo de modelo para o qual a série se destina.

O modelo recebe texto como entrada e devolve embeddings como saída, pelo que não gera prosa, código ou respostas de chat. Suporta um comprimento de contexto de 32768 tokens, o que lhe permite incorporar documentos bastante longos num único pedido em vez de os dividir em pequenos fragmentos. A saída máxima é indicada como 29491. Como a modalidade de entrada é apenas texto, imagens, áudio e outras entradas não textuais estão fora do âmbito aqui.

Os usos práticos decorrem diretamente dessas propriedades. Pode incorporar documentos e consultas para pesquisa semântica ou geração aumentada por recuperação, onde o contexto longo significa menos fragmentos e menos fragmentação de uma única passagem. O conteúdo multilíngue é um ajuste razoável dada a descrição da série, pelo que a recuperação e correspondência entre línguas são cargas de trabalho plausíveis. Os embeddings também servem para clustering, deduplicação, agrupamento por tópicos e pipelines de classificação, e as tarefas de ranking fazem explicitamente parte daquilo para que a série foi concebida. Em qualquer situação em que precise de uma representação vetorial fixa de texto em vez de uma resposta gerada, este modelo é um candidato.

Chama-o através da API compatível com OpenAI da api14 usando o id de modelo "qwen/qwen3-embedding-4b". Como a interface segue a convenção de embeddings da OpenAI, envia o seu texto no campo input e recebe vetores de embedding na resposta, o que mantém as bibliotecas de cliente OpenAI existentes e os caminhos de código a funcionar com alterações mínimas. Note que a lista de parâmetros suportados para este modelo está vazia, por isso não assuma que opções como dimensions, encoding format ou controlos de truncation estão disponíveis; envie a entrada e confie nos valores predefinidos que o endpoint aplica.

Em termos de limites, o principal a ter em conta é que este é um modelo apenas de embeddings. Não responderá a perguntas, não seguirá instruções nem produzirá saída conversacional, por isso, se precisar de geração de texto, chamada de ferramentas ou raciocínio, um modelo de chat ou de completion é a melhor escolha e este deve ficar por trás dele como o componente de recuperação. Verifique também que as suas entradas se mantêm dentro do contexto de 32768 tokens, uma vez que documentos mais longos precisam de ser divididos antes do embedding.