Embeddings

POST /v1/embeddings — representaciones vectoriales de texto para búsqueda, RAG y agrupación. Seis modelos más un alias heredado, de 768 a 4096 dimensiones. Compatible con OpenAI; solo pagas por los tokens de entrada.

Los embeddings convierten el texto en un vector numérico para búsquedas semánticas, RAG, agrupación y recomendaciones. El endpoint es totalmente compatible con OpenAI: solo cambian la dirección base y la clave.

POSThttps://getvibeapi.com/v1/embeddings

Parámetros del cuerpo

Parámetro	Tipo	Descripción
`model`req.	string	El modelo de embedding (consulta abajo).
`input`req.	string \| string[]	Un texto o un arreglo de textos. Un arreglo = un lote en una sola solicitud.
`encoding_format`	"float" \| "base64"	El formato del vector en la respuesta. De forma predeterminada, es float.
`dimensions`	integer	Ancho de salida opcional. Para text-embedding-3-small, solo se admite 1536.

Modelos y precio

Parámetro	Tipo	Descripción
`text-embedding-3-small`		POST /v1/embeddings — representaciones vectoriales de texto para búsqueda, RAG y agrupación. Modelo qwen3-embedding-8b. Compatible con OpenAI; solo pagas por los tokens de entrada.
`qwen3-embedding-8b`		POST /v1/embeddings — representaciones vectoriales de texto para búsqueda, RAG y agrupación. Modelo qwen3-embedding-8b. Compatible con OpenAI; solo pagas por los tokens de entrada.
`bge-m3`		POST /v1/embeddings — representaciones vectoriales de texto para búsqueda, RAG y agrupación. Modelo qwen3-embedding-8b. Compatible con OpenAI; solo pagas por los tokens de entrada.
`multilingual-e5-large`		POST /v1/embeddings — representaciones vectoriales de texto para búsqueda, RAG y agrupación. Modelo qwen3-embedding-8b. Compatible con OpenAI; solo pagas por los tokens de entrada.
`embeddinggemma-300m`		POST /v1/embeddings — representaciones vectoriales de texto para búsqueda, RAG y agrupación. Modelo qwen3-embedding-8b. Compatible con OpenAI; solo pagas por los tokens de entrada.
`nemotron-embed-vl`		POST /v1/embeddings — representaciones vectoriales de texto para búsqueda, RAG y agrupación. Modelo qwen3-embedding-8b. Compatible con OpenAI; solo pagas por los tokens de entrada.
`qwen3-embedding-0.6b`		POST /v1/embeddings — representaciones vectoriales de texto para búsqueda, RAG y agrupación. Modelo qwen3-embedding-8b. Compatible con OpenAI; solo pagas por los tokens de entrada.

El ancho del vector varía según el modelo, y no puedes cambiar de modelo después sin reconstruir el índice: la columna de la base de datos se crea para un número específico de dimensiones. Elige el modelo antes de cargar el primer millón de vectores.

Solicitud de ejemplo

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"
  }'

Respuesta

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

Solo se te cobra por los tokens de entrada (prompt_tokens); los embeddings no tienen tokens de salida. Pasa un array de strings en input para vectorizar un lote en una sola solicitud.

← AnteriorFiles API Siguiente →Conversión de voz a texto