Vector Embeddings

POST /v1/embeddings

Chuyển văn bản thành các vector phục vụ tìm kiếm ngữ nghĩa, RAG, phân cụm và gợi ý.

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

Yêu cầu

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"
  }'

Thân yêu cầu

Tham số	Kiểu	Bắt buộc	Mô tả
model	string	Có	Mô hình embedding, ví dụ text-embedding-3-small, text-embedding-3-large, text-embedding-ada-002
input	string / array	Có	Một chuỗi hoặc mảng các chuỗi (theo lô) — giới hạn mỗi yêu cầu phụ thuộc vào mô hình
dimensions	integer	Không	Số chiều của vector đầu ra (chuỗi text-embedding-3 hỗ trợ giảm số chiều)
encoding_format	string	Không	float (mặc định) hoặc base64
user	string	Không	Định danh người dùng cuối

Phản hồi

{
  "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
  }
}

Trường	Mô tả
data[].embedding	Mảng vector — mặc định 1536 chiều (text-embedding-3-small) / 3072 (-large)
data[].index	Chỉ số của chuỗi đầu vào tương ứng
usage.prompt_tokens	Số token được tính phí

Yêu cầu theo lô (Batch)

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

data trả về mang index khớp với thứ tự đầu vào. Một lượt gọi gộp nhanh hơn và ít tốn số lượt yêu cầu hơn so với gọi từng mục riêng lẻ.

Sử dụng 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]

Ghi chú

Các endpoint embedding bản địa của Gemini (/v1beta/models/{model}:embedContent v.v.) cũng được proxy — tham số tuân theo định dạng chính thức của Gemini, xem tài liệu của Google.