Embeddings

POST /v1/embeddings

Convertit le texte en vecteurs pour la recherche sémantique, le RAG, le clustering et les recommandations.

RequestREQUEST

POSThttps://test.kailin.com.cn/v1/embeddings

API KeyStored only in your browser, never uploaded

Body (JSON){ "model": "text-embedding-3-small", "input": "AI Station is a unified model gateway" }

ResponseRESPONSE

Fill in the request and hit Send — the response shows up here

Requête

curl https://test.kailin.com.cn/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-your-token" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "AI Station is a unified model gateway"
  }'

Corps de la requête

Paramètre	Type	Obligatoire	Description
model	string	Oui	Modèle d'embedding, ex. text-embedding-3-small, text-embedding-3-large, text-embedding-ada-002
input	string / array	Oui	Une chaîne ou un tableau de chaînes (lot) — les limites par requête dépendent du modèle
dimensions	integer	Non	Dimensions du vecteur en sortie (la série text-embedding-3 prend en charge la réduction de dimension)
encoding_format	string	Non	float (défaut) ou base64
user	string	Non	Identifiant de l'utilisateur final

Réponse

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.0023, -0.0091, 0.0154, "..."]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 12,
    "total_tokens": 12
  }
}

Champ	Description
data[].embedding	Tableau de vecteurs — 1536 dimensions par défaut (text-embedding-3-small) / 3072 (-large)
data[].index	Index de la chaîne d'entrée correspondante
usage.prompt_tokens	Nombre de tokens facturés

Requêtes par lot

{
  "model": "text-embedding-3-small",
  "input": ["first document", "second document", "third document"]
}

Le data renvoyé contient des index correspondant à l'ordre des entrées. Un seul appel par lot est plus rapide et plus économique en nombre de requêtes que des appels élément par élément.

Utilisation du SDK

from openai import OpenAI

client = OpenAI(
    api_key="sk-your-token",
    base_url="https://test.kailin.com.cn/v1",
)

resp = client.embeddings.create(
    model="text-embedding-3-small",
    input=["Document A", "Document B"],
)
vectors = [item.embedding for item in resp.data]

Remarque

Les points de terminaison d'embedding natifs de Gemini (/v1beta/models/{model}:embedContent etc.) sont également proxifiés — les paramètres suivent le format officiel de Gemini, voir la documentation de Google.