---
title: "Qwen3 Embedding 8B en Europe : API conforme au RGPD"
description: "Qwen3 Embedding 8B sur inference.eu : embeddings multilingues pour la recherche et le RAG, jusqu'à 4096 dimensions et 32K tokens, traités dans l'UE."
canonical: "https://inference.eu/fr/modeles/qwen3-embedding-8b/"
language: "fr"
---

Embeddings · Qwen (Alibaba Cloud)

# Utilisez Qwen3 Embedding 8B en Europe via une API d'embeddings compatible OpenAI

Qwen3 Embedding 8B transforme du texte en vecteurs pour la recherche sémantique, la génération augmentée par récupération (RAG), le clustering et la classification. Il couvre plus de 100 langues, dont les langages de programmation, et lit jusqu'à 32 000 tokens par entrée. Sur inference.eu, vous l'appelez au format embeddings d'OpenAI, avec un traitement dans l'UE.

[Contacter l'équipe](https://inference.eu/fr/contact/)[Exemple de requête](#example)

1.  018B
2.  02Centres de données dans l'UE
3.  03Apache 2.0

## Ce qu'est Qwen3 Embedding 8B

Qwen3 Embedding 8B est le plus grand modèle de la série Qwen3 Embedding d'Alibaba, publié en juin 2025 sous licence Apache 2.0. Il repose sur le modèle de fondation Qwen3, compte 8 milliards de paramètres et 36 couches, et produit des embeddings de 4096 dimensions au maximum.

Il accepte des entrées jusqu'à 32 000 tokens : les longs documents peuvent être vectorisés sans découpage poussé. Il prend en charge plus de 100 langues naturelles et de programmation, ce qui le rend utile pour la recherche multilingue et interlangue comme pour la recherche de code. La même série comprend des modèles de reranking pour une seconde étape de tri plus précise.

## Points forts et limites

Ses atouts sont la qualité de récupération dans de nombreuses langues, les entrées longues et la souplesse. Grâce au Matryoshka representation learning, vous pouvez demander des vecteurs plus courts, de 32 à 4096 dimensions, et réduire fortement la taille de vos index pour une perte de précision limitée. Il accepte aussi des instructions : une courte description de la tâche côté requête améliore en général les résultats de 1 à 5 % selon Qwen.

La contrepartie est sa taille. Avec 8 milliards de paramètres, il est bien plus lourd que bge-m3 ou multilingual-e5-large-instruct, et vectoriser de très gros corpus demande plus de calcul. Pour des textes courts et un index énorme, un modèle plus petit sera souvent plus pratique.

## Appeler Qwen3 Embedding 8B via l'API

inference.eu utilise le format de requête OpenAI : tout SDK OpenAI, LangChain, LlamaIndex ou connecteur de base vectorielle qui appelle `/v1/embeddings` fonctionne sans changement. Indiquez l'URL de base de l'API inference.eu, votre clé inference.eu et le modèle `qwen3-embedding-8b`.

Passez une chaîne ou une liste de chaînes dans `input`. Le paramètre `dimensions` permet de demander des vecteurs plus courts adaptés à votre index. Pour les requêtes, ajoutez en tête une tâche d'une ligne, par exemple `Instruct: Given a web search query, retrieve relevant passages that answer the query`, puis `Query:` et la question. Les documents n'ont pas besoin d'instruction. Qwen conseille de rédiger les instructions en anglais.

## Hébergement en Europe et données

Vectoriser une base de connaissances revient à envoyer tout le corpus au modèle : contrats, tickets, wikis et données clients. Sur inference.eu, Qwen3 Embedding 8B tourne sur une infrastructure située dans l'Union européenne : ces textes sont traités dans des centres de données de l'UE, ne sont pas envoyés à Alibaba en Chine et ne servent jamais à entraîner un modèle.

Chaque client reçoit un accord de traitement des données selon l'article 28 du RGPD et la liste de nos sous-traitants, ce qui aide à documenter votre chaîne RAG dans le registre des traitements. La facturation se fait en euros. La licence Apache 2.0 autorise l'usage commercial sans limite d'utilisateurs.

## Qwen3 Embedding 8B

Éditeur

Qwen (Alibaba Cloud)

Origine

Chine

Type

Embeddings

Paramètres

8B

Fenêtre de contexte

32 768 tokens

Licence

[Apache 2.0](https://huggingface.co/Qwen/Qwen3-Embedding-8B/blob/main/LICENSE)

Sortie

juin 2025

ID du modèle

qwen3-embedding-8b

Traitement

Centres de données dans l'UE

Entraînement sur vos données

Jamais

Source

[huggingface.co](https://huggingface.co/Qwen/Qwen3-Embedding-8B)

qwen3-embedding-8b · Python

```
import os
from openai import OpenAI

client = OpenAI(base_url="https://api.inference.eu/v1", api_key=os.environ["INFERENCE_EU_API_KEY"])

result = client.embeddings.create(
    model="qwen3-embedding-8b",
    input=["Where is my data processed?"],
)
print(len(result.data[0].embedding))
```

## Ce que les équipes en font

-   1

    ### Recherche documentaire multilingue

    Indexer des documents en français, allemand, anglais et d'autres langues, et les retrouver avec une requête dans n'importe laquelle d'entre elles.

-   2

    ### Récupération pour assistants RAG

    Retrouver les bons passages dans de longues politiques, notices ou contrats avant qu'un modèle de chat rédige la réponse.

-   3

    ### Recherche de code

    Retrouver des fonctions et extraits dans plusieurs dépôts à partir d'une description en langage courant.

-   4

    ### Clustering et classification

    Regrouper tickets de support ou retours clients par thème et les orienter grâce à la similarité vectorielle.

## Qwen3 Embedding 8B : questions fréquentes

Les questions que nous posent le plus les achats, les développeurs et les juristes. Il en manque une ? Posez-la-nous directement.

Cela dépend de votre traitement. Sur inference.eu, les requêtes d'embedding sont traitées dans des centres de données de l'UE, ne servent pas à l'entraînement et sont couvertes par un accord de traitement des données selon l'article 28 du RGPD, avec la liste des sous-traitants. Vos documents ne partent ni chez Alibaba ni en Chine.

Qwen3 Embedding 8B lit jusqu'à 32 000 tokens par entrée. C'est suffisant pour de longues sections ou des documents entiers, même si des segments plus courts donnent souvent une récupération plus précise en RAG. Testez la taille des segments sur vos données.

Jusqu'à 4096. Le modèle prend en charge le Matryoshka representation learning : vous pouvez demander toute taille de 32 à 4096 avec le paramètre \`dimensions\`. Des vecteurs plus petits réduisent le stockage et accélèrent la recherche, pour une légère perte de précision.

Oui. Il est publié sous licence Apache 2.0, qui autorise l'usage commercial, la modification et la redistribution sans redevance ni limite d'utilisateurs. Vous pouvez l'utiliser dans des produits payants et des systèmes internes sans accord séparé avec Alibaba.

C'est recommandé. Qwen indique qu'une courte instruction de tâche côté requête améliore en général la récupération de 1 à 5 %. Les documents se vectorisent sans instruction. Qwen conseille de rédiger l'instruction en anglais, même dans un contexte multilingue.

Plus de 100 langues, dont le français, l'allemand, l'espagnol, l'italien, le polonais et d'autres langues européennes, ainsi que de nombreux langages de programmation. La recherche interlangue fonctionne aussi, par exemple une requête en français qui trouve un document en allemand.

bge-m3 est un encodeur bien plus petit, d'environ 568 millions de paramètres, avec 8192 tokens d'entrée et des sorties denses, creuses et multi-vecteurs. Qwen3 Embedding 8B est plus grand, lit des textes plus longs et offre des dimensions réglables. bge-m3 coûte moins cher sur de très gros corpus : testez les deux.

Oui, mais les vecteurs de modèles différents ne sont pas compatibles. Changer de modèle implique de revectoriser tout le corpus et de reconstruire l'index. L'appel d'API reste identique : seul le nom du modèle change, la modification du code est donc minime.

Sur inference.eu, les poids ouverts tournent dans des centres de données de l'UE : vos documents ne partent ni chez Alibaba ni en Chine. Un modèle d'embedding ne renvoie que des vecteurs, pas de texte généré, ce qui limite les questions de biais de contenu. Évaluez la qualité de récupération sur vos données.

Créez un client OpenAI avec l'URL de base d'inference.eu et votre clé inference.eu, puis appelez \`client.embeddings.create\` avec \`model\` égal à \`qwen3-embedding-8b\` et votre texte dans \`input\`. Les connecteurs de bases vectorielles existants fonctionnent de la même manière.

[Poser une question](https://inference.eu/fr/contact/)

## Pages liées

[Tous les modèles](https://inference.eu/fr/modeles/#directory)

-   [BGE-M3bge-m3 sur inference.eu : modèle d'embedding multilingue compact pour la recherche et le RAG, plus de 100 langues et 8192 tokens, traité dans l'UE.Embeddings](https://inference.eu/fr/modeles/bge-m3/)
-   [multilingual-e5-large-instructmultilingual-e5-large-instruct sur inference.eu : embeddings compacts en 100 langues pour la recherche, le RAG et la classification, traités dans l'UE.Embeddings](https://inference.eu/fr/modeles/multilingual-e5-large-instruct/)
-   [BGE Reranker v2 M3bge-reranker-v2-m3 sur inference.eu : reranker multilingue léger qui trie les résultats de recherche et de RAG par pertinence, traité dans l'UE.Reranking](https://inference.eu/fr/modeles/bge-reranker-v2-m3/)

## Faites passer vos charges IA sur une infrastructure européenne

Dites-nous quels modèles vous utilisez et votre volume approximatif. Nous répondons sous un jour ouvré avec un tarif et la suite.

-   Réponse sous un jour ouvré
-   Tarif adapté à votre volume
-   DPA prêt à signer