能力与用途
文本向量化语义搜索RAG聚类
用途与场景:该模型用于将文本转为向量,适合语义搜索、RAG(Retrieval-Augmented Generation)检索和聚类。维度选择上,官方建议大规模搜索且存储空间有限时选 256 或 512 维,通用场景选 1024 维(默认值,平衡效果好),对检索精度要求高时选 1536 或 2048 维。 兼容与迁移:如果需要迁移已有的 v3 索引,可使用 text-embedding-v3,其维度与 v4 兼容;本文档未给出具体迁移步骤。 平台定位:在百炼的迁移对照表中,text-embedding-v4 被列为 OpenAI text-embedding-3-large、Voyage-3-large、Cohere embed-v4、Google Gemini Embedding 2 等闭源文本 Embedding 模型的百炼对位推荐。本页未给出计费价格与上下文以外的接口参数,采购前需在阿里云控制台核对价格与限流。
能力对比
暂无经过核验的逐项评分,暂不绘制能力雷达或综合排名。
数据与来源
- 资料提供方
- 阿里云大模型服务平台百炼(Model Studio)
- 官方说明
- 核对官方资料 ↗
- 站内资料更新
- 2026-11-08 04:18:28
站内更新时间不等同于模型发布日期。未提供测试集、日期和原始成绩时,不展示官方或平台实测分数。
版本记录
text-embedding-v4当前录入版本
历史版本、上线与下线日期待核实。
接入与使用
请按官方文档确认 API 地址、模型标识、身份验证、权限与收费规则。
打开官方文档平台实测
暂无已核验的模型测试报告。模型能力标签不表示已经完成平台实测。