メインコンテンツへスキップ

埋め込み

POST /v1/embeddings

テキストをベクトルに変換します。セマンティック検索、RAG、クラスタリング、レコメンデーションなどに利用できます。

RequestREQUEST
POSThttps://test.kailin.com.cn/v1/embeddings
ResponseRESPONSE
Fill in the request and hit Send — the response shows up here

リクエスト​

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"
  }'

リクエストボディ​

パラメーター型必須説明
modelstringはい埋め込みモデル。例：text-embedding-3-small、text-embedding-3-large、text-embedding-ada-002
inputstring / arrayはい文字列、または文字列の配列（バッチ）— リクエストごとの上限はモデルに依存
dimensionsintegerいいえ出力ベクトルの次元数（text-embedding-3 シリーズは次元削減に対応）
encoding_formatstringいいえfloat（デフォルト）または base64
userstringいいえエンドユーザーの識別子

レスポンス​

{
  "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
  }
}
フィールド説明
data[].embeddingベクトル配列 — デフォルトは 1536 次元（text-embedding-3-small）/ 3072（-large）
data[].index対応する入力文字列のインデックス
usage.prompt_tokens課金対象のトークン数

バッチリクエスト​

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

返される data には、入力順に一致する index が付きます。1 回のバッチ呼び出しは、個別に呼び出すよりも高速で、リクエスト数の面でも低コストです。

SDK の利用​

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]
備考

Gemini ネイティブの埋め込みエンドポイント（/v1beta/models/{model}:embedContent など）もプロキシされています — パラメーターは Gemini 公式形式に従うため、Google のドキュメントを参照してください。