Qwen-Embedding

复制成功!
加入对比

概述

通用文本向量的批处理接口,通过这个接口客户可以以文本方式一次性的提交大批量的向量计算请求,在系统完成所有的计算之后,大模型服务平台会将结果信息存储在结果文件中供客户下载解析。

输入

文本

输出

功能

前缀补全

调用通义千问 API 时启用 Partial Mode,可让模型严格接续您提供的前缀文本进行生成。查看文档

函数调用

通过函数调用将大模型与外部工具和系统连接起来。查看文档

缓存

Context Cache 会缓存长上下文请求的公共前缀,减少重复计算、提升响应速度并降低成本。查看文档

结构化输出

结构化输出可确保模型返回符合预期格式的 JSON 字符串。查看文档

批量任务

异步批量处理请求,降低调用成本。查看文档

联网搜索

启用联网搜索后,模型可基于实时检索的数据进行回答。查看文档

微调

基于样本数据训练模型,使其更适配特定任务。查看文档

定价

  • 文本输入
    ¥0.7/M tokens

速率限制

    API 参考

    调用API
    复制成功!
    12345678910111213141516171819202122232425262728293031323334
    import time
    import dashscope
    from http import HTTPStatus
    
    dashscope.base_http_api_url = "https://cn-beijing.maas.qianwenaiapi.com/api/v1"
    
    # 提交异步任务(输入文件要求:UTF-8 .txt,每行一条文本,最大 200MB / 10万行)
    resp = dashscope.BatchTextEmbedding.async_call(
        model="text-embedding-async-v2",
        url="https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241016/nigwvr/text_embedding_file.txt",
        text_type="document",
    )
    
    if resp.status_code != HTTPStatus.OK:
        print(resp)
        exit(1)
    
    task_id = resp.output["task_id"]
    print(f"task_id: {task_id}")
    
    # 轮询任务状态
    while True:
        result = dashscope.BatchTextEmbedding.fetch(task=resp)
        status = result.output["task_status"]
        print(f"status: {status}")
    
        if status == "SUCCEEDED":
            print(result)
            break
        elif status == "FAILED":
            print(result)
            break
    
        time.sleep(10)