# Qwen3 Embedding 4B

> Создаёт текстовые векторные представления для поиска по смыслу, сопоставления запросов и документов, кластеризации и классификации в многоязычных системах.

- **ID для API:** `qwen/qwen3-embedding-4b`
- **Тип Модели:** Модель эмбеддингов
- **Контекст:** 32 768 токенов
- **Максимум на ответ:** 29 491 токенов
- **Вход:** текст → **Выход:** эмбеддинги

## Описание

#### Суть

Это модель для преобразования текста в векторные представления — embeddings. Вместо генерации готового ответа она кодирует запросы и документы так, чтобы их можно было сопоставлять по смысловой близости. Модель предназначена для задач поиска и ранжирования текста и основана на Qwen3.

#### Сильные стороны

Модель рассчитана на многоязычные задачи, понимает длинный текст и может использоваться с инструкцией, уточняющей цель кодирования. Например, для поискового запроса инструкция может указать, что нужно находить фрагменты, отвечающие на вопрос. В документации Qwen рекомендует настраивать такие инструкции под сценарий; для запросов в задачах поиска они могут улучшить результат. Также модель применима не только к обычному тексту, но и к поиску по коду.

#### Контекст и модальности

Согласно данным каталога, модель принимает текст, возвращает embeddings и имеет контекстное окно 32 768 токенов. Она не принимает изображения, аудио или видео. Выход — векторное представление, а не написанный на естественном языке ответ.

#### Типовые сценарии

Модель подходит для семантического поиска по базе документов, подбора релевантных фрагментов для RAG-систем и поиска кода. Векторные представления также можно применять для кластеризации текстов, классификации и сопоставления текстов на разных языках. Для поиска обычно кодируют запрос и документы, а затем сравнивают полученные векторы; сами embeddings можно хранить и использовать в векторном индексе.

#### Ограничения

Модель не является генератором ответов или самостоятельной поисковой системой: она создаёт представления, а индексирование, сравнение векторов и показ найденных материалов выполняются другими компонентами. Для задач, где нужно ранжировать пары «запрос — документ» отдельной моделью, в семействе есть Qwen3-Reranker. Качество поиска зависит от данных, выбранной инструкции и последующей настройки системы.

#### Отличие от соседей по семейству

В линейке Qwen3 есть embedding-модели разного масштаба и отдельные reranker-модели. Эта версия — вариант для получения векторов; reranker предназначен для дополнительной оценки релевантности уже отобранных пар. Документация также отмечает возможность задавать инструкцию под конкретную задачу, язык или сценарий.

## Цены

- Запрос / 1М: 2,37 ₽

## Провайдеры

Выбрать Провайдера можно параметром `provider` в запросе.

| Провайдер | Цена | Контекст | Макс. ответ | Данные в РФ | 152-ФЗ |
| --- | --- | --- | --- | --- | --- |
| deepinfra/us | Запрос / 1М: 2,37 ₽ | 32 768 | 29 491 | — | — |

## Быстрый старт

```bash
curl https://polza.ai/api/v1/embeddings \
  -H "Authorization: Bearer $POLZA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "qwen/qwen3-embedding-4b",
  "input": [
    "Пример текста для поиска"
  ]
}'
```

## Ссылки

- Страница: https://polza.ai/models/qwen/qwen3-embedding-4b
- Каталог: https://polza.ai/models