通义多模态向量
复制成功！
概述
Tongyi-Embedding-Vision是基于LLM底座的视觉多模态表征模型，支持文本、图像、视频3种模态，具有以视觉为中心、全场景性能优异、高性价比的特点，适用于以图搜图、以文搜图、以文搜视频、以视频搜视频、以文搜文、以文搜图文等下游多样化任务场景。本模型（tongyi-embedding-vision-flash）是轻量化版本，具备极高性价比。 2026-03-06版本在保留极致性价比优势的同时，基于Qwen3底座实现了效果与功能全面升级，包括全场景性能提升、多分辨率模式/多向量维度/多语言能力/融合向量等能力的支持。
输入
文本图像视频
输出
文本
功能
定价
- 图片输入¥0.15/M tokens
- 文本输入¥0.15/M tokens
速率限制
- TPM每分钟 Token 数9M
- RPM每分钟请求数1K
API 参考
调用API复制成功！
1234567891011
import dashscope
text = "通用多模态表征模型示例"
input = [{'text': text}]
resp = dashscope.MultiModalEmbedding.call(
model="tongyi-embedding-vision-flash-2026-03-06",
input=input
)
print(resp)