# Qwen3 Embedding 8B

> Преобразует текст в векторы для семантического поиска, сопоставления запросов и документов, классификации и кластеризации в многоязычных задачах.

- **ID для API:** `qwen/qwen3-embedding-8b`
- **Тип Модели:** Модель эмбеддингов
- **Контекст:** 32 768 токенов
- **Максимум на ответ:** 29 491 токенов
- **Вход:** текст → **Выход:** эмбеддинги

## Описание

#### Суть

Текстовая embedding-модель семейства Qwen3, которая кодирует входной текст в векторное представление. Векторы позволяют оценивать смысловую близость текстов и использовать её в поиске и других задачах анализа. Модель предназначена для получения эмбеддингов, а не для генерации ответов.

#### Сильные стороны

Подходит для семантического поиска по текстам и коду, межъязыкового поиска, сопоставления парафразов, классификации и кластеризации. Для запросов можно задавать инструкцию с описанием задачи: например, указать, что требуется найти документы, отвечающие на вопрос. Такой подход позволяет адаптировать представления под сценарий. В обучении использовались многоязычные данные, поэтому модель применима к поиску как внутри одного языка, так и между языками.

#### Контекст и модальности

Принимает текст и возвращает эмбеддинги; длина контекста — 32768 токенов. Изображения, аудио и другие нетекстовые входы в каталоге не заявлены.

#### Типовые сценарии

Модель можно использовать для построения векторного поиска по коллекциям документов, подбора релевантных фрагментов для вопроса, поиска похожего кода, группировки текстов и подготовки признаков для классификатора. Обычно запросы и документы кодируют в векторы, затем сравнивают их близость и применяют полученные оценки для отбора кандидатов. В поисковых сценариях инструкции полезно формулировать с учётом задачи.

#### Ограничения

Сама модель не формирует итоговый ответ пользователю, не управляет индексом и не выбирает документы без внешней логики сравнения и поиска. Это не отдельная reranker-модель: для повторной сортировки уже найденных кандидатов в семействе предусмотрен другой тип модели. Качество результата зависит от постановки задачи, подготовки текста и последующей обработки векторов.

#### Отличие от соседей по семейству

Qwen3 Embedding относится к ветке моделей для создания текстовых векторов. Соседние embedding-варианты решают тот же тип задачи с иным балансом между эффективностью и возможностями, а Qwen3 Reranker предназначен для оценки релевантности пары запрос–документ. Поэтому embedding-вариант удобен для получения представлений и поиска по векторному индексу, тогда как reranker применяют на этапе уточнения порядка найденных результатов.

## Цены

- Запрос / 1М: 1,18 ₽

## Провайдеры

Выбрать Провайдера можно параметром `provider` в запросе.

| Провайдер | Цена | Контекст | Макс. ответ | Данные в РФ | 152-ФЗ |
| --- | --- | --- | --- | --- | --- |
| siliconflow/fp8 | Запрос / 1М: 4,74 ₽ | 32 768 | 29 491 | — | — |
| deepinfra/us | Запрос / 1М: 1,18 ₽ | 32 768 | 29 491 | — | — |
| nebius/bf16 | Запрос / 1М: 1,18 ₽ | 40 960 | 32 000 | — | — |

## 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-8b",
  "input": [
    "Пример текста для поиска"
  ]
}'
```

## Ссылки

- Страница: https://polza.ai/models/qwen/qwen3-embedding-8b
- Каталог: https://polza.ai/models