Эмбеддинги

POST /v1/embeddings

Преобразует текст в векторы для семантического поиска, RAG, кластеризации и рекомендаций.

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

Запрос

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"
  }'

Тело запроса

Параметр	Тип	Обязательно	Описание
model	string	Да	Модель эмбеддингов, например text-embedding-3-small, text-embedding-3-large, text-embedding-ada-002
input	string / array	Да	Строка или массив строк (пакетный режим) — лимиты на запрос зависят от модели
dimensions	integer	Нет	Размерность выходного вектора (серия text-embedding-3 поддерживает снижение размерности)
encoding_format	string	Нет	float (по умолчанию) или base64
user	string	Нет	Идентификатор конечного пользователя

Ответ

{
  "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
  }
}

Поле	Описание
data[].embedding	Массив вектора — по умолчанию 1536 размерностей (text-embedding-3-small) / 3072 (-large)
data[].index	Индекс соответствующей входной строки
usage.prompt_tokens	Количество оплачиваемых токенов

Пакетные запросы

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

Возвращаемый data содержит index, соответствующий порядку входных данных. Один пакетный вызов быстрее и экономичнее по числу запросов, чем вызовы по одному элементу.

Использование 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]

Примечание

Нативные эндпоинты эмбеддингов Gemini (/v1beta/models/{model}:embedContent и др.) также проксируются — параметры соответствуют официальному формату Gemini, см. документацию Google.