Embedding-Vision是基于LLM底座的视觉多模态表征模型，具有以视觉为中心、领域性能优异（电商、 安防、相册/图库、自驾等）、高性价比的特点。兼容文本、图像、视频3种模态，可应用于以图搜图、以文搜图、以文搜视频，以视频搜视频等下游任务场景。本模型（tongyi-embedding-vision-flash）是轻量化版本，在视觉向量化上具备极高性价比。
推理服务供应商
tongyi-embedding-vision-flash模型的推理服务供应商为阿里云百炼。
模型能力
| 能力项 | 支持情况 | 能力项 | 支持情况 |
|---|---|---|---|
输入模态 | Text Image Video | 输出模态 | — |
模型体验 | 不支持 | Function Calling | 不支持 |
结构化输出 | 不支持 | 联网搜索 | 不支持 |
前缀续写 | 不支持 | 上下文缓存 | 不支持 |
批量推理 | 不支持 | 模型调优 | 不支持 |
上下文限制
| 参数 | 值 | 参数 | 值 |
|---|---|---|---|
最大输入长度 | — | 最大输出长度 | — |
上下文长度 | — |
模型价格
本文仅展示模型调用原价，不包含限时优惠等活动信息，请前往百炼控制台查看活动优惠。
- 新加坡
部署范围：国际
| 计费项 | 价格（美元） | 单位 |
|---|---|---|
图片输入 | 0.03 | 每百万tokens |
文本输入 | 0.09 | 每百万tokens |
限流
- 新加坡
部署范围：国际
| 参数 | 值 |
|---|---|
RPM（每分钟请求数） | 600 |
TPM（每分钟tokens） | 200,000 |