Embeddings

POST /v1/embeddings — Vektorrepräsentationen von Text für Suche, RAG und Clustering. Sechs Modelle plus ein Legacy-Alias, 768 bis 4096 Dimensionen. OpenAI-kompatibel; Sie zahlen nur für Eingabetokens.

Embeddings wandeln Text in einen numerischen Vektor für die semantische Suche, RAG, Clustering und Empfehlungen um. Der Endpunkt ist vollständig OpenAI-kompatibel. Nur die Basisadresse und der Schlüssel ändern sich.

POSThttps://getvibeapi.com/v1/embeddings

Body-Parameter

Parameter	Typ	Beschreibung
`model`req.	string	Das Embedding-Modell (siehe unten).
`input`req.	string \| string[]	Ein Text oder ein Array aus Texten. Ein Array = ein Batch in einer Anfrage.
`encoding_format`	"float" \| "base64"	Das Vektorformat in der Antwort. Standardmäßig float.
`dimensions`	integer	Optionale Ausgabebreite. Für text-embedding-3-small wird nur 1536 unterstützt.

Modelle und Preis

Parameter	Typ	Beschreibung
`text-embedding-3-small`		POST /v1/embeddings — Vektorrepräsentationen von Text für Suche, RAG und Clustering. Modell qwen3-embedding-8b. OpenAI-kompatibel; Sie zahlen nur für Eingabetokens.
`qwen3-embedding-8b`		POST /v1/embeddings — Vektorrepräsentationen von Text für Suche, RAG und Clustering. Modell qwen3-embedding-8b. OpenAI-kompatibel; Sie zahlen nur für Eingabetokens.
`bge-m3`		POST /v1/embeddings — Vektorrepräsentationen von Text für Suche, RAG und Clustering. Modell qwen3-embedding-8b. OpenAI-kompatibel; Sie zahlen nur für Eingabetokens.
`multilingual-e5-large`		POST /v1/embeddings — Vektorrepräsentationen von Text für Suche, RAG und Clustering. Modell qwen3-embedding-8b. OpenAI-kompatibel; Sie zahlen nur für Eingabetokens.
`embeddinggemma-300m`		POST /v1/embeddings — Vektorrepräsentationen von Text für Suche, RAG und Clustering. Modell qwen3-embedding-8b. OpenAI-kompatibel; Sie zahlen nur für Eingabetokens.
`nemotron-embed-vl`		POST /v1/embeddings — Vektorrepräsentationen von Text für Suche, RAG und Clustering. Modell qwen3-embedding-8b. OpenAI-kompatibel; Sie zahlen nur für Eingabetokens.
`qwen3-embedding-0.6b`		POST /v1/embeddings — Vektorrepräsentationen von Text für Suche, RAG und Clustering. Modell qwen3-embedding-8b. OpenAI-kompatibel; Sie zahlen nur für Eingabetokens.

Die Vektorbreite unterscheidet sich je nach Modell, und Sie können Modelle nachträglich nicht austauschen, ohne den Index neu zu erstellen: Die Datenbankspalte wird für eine bestimmte Anzahl von Dimensionen angelegt. Wählen Sie das Modell aus, bevor Sie die erste Million Vektoren laden.

Beispielanfrage

curl https://getvibeapi.com/v1/embeddings \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-embedding-8b",
    "input": "Text to vectorize"
  }'

Antwort

{
  "object": "list",
  "data": [
    { "object": "embedding", "index": 0, "embedding": [0.0021, -0.014, ...] }
  ],
  "model": "qwen3-embedding-8b",
  "usage": { "prompt_tokens": 8, "total_tokens": 8 }
}

Ihnen werden nur Eingabetokens berechnet (prompt_tokens); Embeddings haben keine Ausgabetokens. Übergeben Sie ein Array von Zeichenfolgen in input, um einen Batch in einer Anfrage zu vektorisieren.

← ZurückFiles API Weiter →Speech-to-Text