Embutindo e re-ranking FAQ

Perguntas comuns sobre incorporação de texto, incorporação multimodal, e reclassificação: seleção de modelos, dimensões, limites de lote e casos de uso.

<a id="text-embedding" />

Embutindo texto

** APIS:** [Compatível com OpenAI] (/api-reference/text-embedding/openai-embedding), [DashScope] (/api-reference/text-embedding/dashscope-embedding)

Qual é o comprimento máximo de entrada por texto?

Cada texto pode conter no máximo 8.192 fichas**. Conteúdo que excede este limite é truncado antes de incorporar. Monitore o comprimento de entrada ao incorporar documentos longos.

Qual o tamanho do lote?

Cada chamada da API aceita até 10 mensagens. Para coleções maiores, divida a entrada em lotes de 10 e faça várias ligações. Se passar um arquivo em vez de um array, o arquivo pode conter no máximo 10 linhas.

Que dimensões de incorporação estão disponíveis?

text-embedding-v4 suporta 2.048, 1.536, 1.024 (padrão), 768, 512, 256, 128 e 64 dimensões. text-embedding-v3 suporta 1.024 (padrão), 768 e 512 dimensões. Use o dimension parâmetro para selecionar um tamanho específico.

Dimensões mais altas retêm mais informações semânticas, mas aumentam o custo de armazenamento e computação. 1.024 dimensões funcionam bem para a maioria dos casos de uso. Escolha 1.536 ou 2.048 para domínios de alta precisão, escolha 512 ou menos quando o armazenamento for limitado.

Quando devo usar o text_type Parâmetro?

Use text_type para tarefas de busca para obter melhores resultados:

• text_type: 'query' - Aplique-se a perguntas de usuários. Produz um vetor direcional otimizado para encontrar informações.
• text_type: 'document' - Aplique-se a documentos armazenados. Produz um vetor abrangente otimizado para ser recuperado.

Para tarefas onde todos os textos têm o mesmo papel (aglomeração, classificação), omita text_type. Este parâmetro está disponível apenas através do terminal DashScope.

O que são vetores densos vs. esparsos?

text-embedding-v4 e text-embedding-v3 suportar três tipos de saída controlados pela output_type parâmetro:

Digite # # Forças # Fraquezas # # Melhor para

Custo de geração para dense&sparse é o mesmo que para o modo monovetor.

Este parâmetro está disponível apenas através do terminal DashScope. O ponto de partida compatível com OpenAI não suporta output_type.

Para que servem os casos de texto?

Aplicações comuns: busca semântica (correspondência de similaridade de vetor), RAG (geração aumentada por retrieval), sistemas de recomendação (semelhante entre itens), agrupamento e classificação de texto.

<a id="multimodal-embedding" />

Incorporação multimodal

** API:** [DashScope multimodal embutindo] (/api-reference/multimodal-embedding/dashscope-multimodal-embedding)

Que modalidades são apoiadas?

Ambos. tongyi-embedding-vision-plus e tongyi-embedding-vision-flash Suporte texto, imagem e vídeo. O texto é limitado a chinês e inglês. Casos de uso incluem buscas entre modelos (texto-para-imagem, imagem-para-imagem, texto-para-vídeo), classificação de imagens e classificação de vídeo.

Que formatos de imagem e vídeo são aceitos?

• Imagens: JPEG, PNG, BMP - passou como uma URL pública ou string codificada pela Base64. Até 8 imagens por pedido. Máximo de 3 MB por imagem.
• Vídeos: MP4, MPEG, MOV, MPG, WEBM, AVI, FLV, MKV - URL somente (Base64 não suportado). Máximo de 10 MB por vídeo.

O ponto de partida compatível com OpenAI é suportado para incorporação multimodal?

Não. A incorporação multimodal requer a API da DashScope SDK ou REST. O ponto final compatível com o OpenAI (/compatible-mode/v1/embeddings) suporta apenas incorporação de texto.

Quantos itens posso enviar por pedido?

Não há limite de contagem de elementos fixo. A restrição é a contagem total de fichas em todas as entradas - o lote deve permanecer dentro do limite de fichas por pedido do modelo. Para texto, cada entrada é limitada a 1.024 fichas.

<a id="reranking" />

Reafirmando

** APIS:** [Compatível com OpenAI] (/api-reference/rerank/openai-rerank), [DashScope] (/api-reference/rerank/dashscope-rerank)

Quando é que a reclassificação dá mais valor?

Re-ranking adiciona o valor mais elevado quando a recuperação inicial retorna 20-100+ candidatos com relevância mista. Um típico oleoduto RAG: recuperar 50-100 candidatos com incorporação, re-alinhar para o top 5-10, em seguida, passar aqueles para o LLM.

Se a recuperação inicial já retorna resultados altamente relevantes (como a combinação exata de palavras-chave), a reclassificação adiciona menos valor.

O que é isso? instruct parâmetro e como devo escrever instruções?

instruct guia a estratégia de ranking do modelo. Sempre escreva instruções em inglês.

Dois exemplos comuns:

• ** Recuperação de QA (padrão):** "Given a web search query, retrieve relevant passages that answer the query." - prioriza documentos que respondam diretamente à pergunta.
• Semelhança semântica: "Retrieve semantically similar text." - prioriza documentos que expressam o mesmo significado em palavras diferentes, úteis para correspondência de FAQ.

Se omitido, o modelo é padrão para recuperação de QA.

O que é top_n?

top_n Limita o número de documentos devolvidos. Se for 5, só os 5 melhores documentos são devolvidos. Se omitido, todos os documentos são devolvidos em ordem. Se top_n Se exceder a contagem total de documentos, todos os documentos são devolvidos.

<a id="model-selection" />

Seleção de modelos

Que modelo de texto devo usar?

Use text-embedding-v4 para a maioria dos casos. Suporta instruções, vetores esparsos, e mais dimensões de incorporação do que text-embedding-v3. Ambos os modelos compartilham o mesmo preço.$0.07 (≈ R$ 0,351421*) Para promoções atuais e preços com desconto, visite o [Modelo Marketplace] (https://www.qwencloud.com/models)) e limite de lote (10 textos, 8.192 fichas por texto).

Qual modelo está disponível?

qwen3-rerank é o modelo de reclassificação disponível. Ele suporta até 500 documentos por pedido, 4.000 fichas por documento, e mais de 100 idiomas. Para preços, veja o [Modelo Marketplace] (https://www.qwencloud.com/models).