Embeddings

POST /v1/embeddings — représentations vectorielles de texte pour la recherche, le RAG et le clustering. Six modèles plus un alias historique, de 768 à 4096 dimensions. Compatible avec OpenAI ; vous payez uniquement les tokens d’entrée.

Les embeddings transforment le texte en vecteur numérique pour la recherche sémantique, le RAG, le clustering et les recommandations. L’endpoint est entièrement compatible avec OpenAI : seule l’adresse de base et la clé changent.

POSThttps://getvibeapi.com/v1/embeddings

Paramètres du corps

Paramètre	Type	Description
`model`req.	string	Le modèle d’embedding (voir ci-dessous).
`input`req.	string \| string[]	Un texte ou un tableau de textes. Un tableau = un lot dans une seule requête.
`encoding_format`	"float" \| "base64"	Le format vectoriel dans la réponse. La valeur par défaut est float.
`dimensions`	integer	Largeur de sortie facultative. Pour text-embedding-3-small, seule la valeur 1536 est prise en charge.

Modèles et prix

Paramètre	Type	Description
`text-embedding-3-small`		POST /v1/embeddings — représentations vectorielles de texte pour la recherche, le RAG et le clustering. Modèle qwen3-embedding-8b. Compatible avec OpenAI ; vous payez uniquement les tokens d’entrée.
`qwen3-embedding-8b`		POST /v1/embeddings — représentations vectorielles de texte pour la recherche, le RAG et le clustering. Modèle qwen3-embedding-8b. Compatible avec OpenAI ; vous payez uniquement les tokens d’entrée.
`bge-m3`		POST /v1/embeddings — représentations vectorielles de texte pour la recherche, le RAG et le clustering. Modèle qwen3-embedding-8b. Compatible avec OpenAI ; vous payez uniquement les tokens d’entrée.
`multilingual-e5-large`		POST /v1/embeddings — représentations vectorielles de texte pour la recherche, le RAG et le clustering. Modèle qwen3-embedding-8b. Compatible avec OpenAI ; vous payez uniquement les tokens d’entrée.
`embeddinggemma-300m`		POST /v1/embeddings — représentations vectorielles de texte pour la recherche, le RAG et le clustering. Modèle qwen3-embedding-8b. Compatible avec OpenAI ; vous payez uniquement les tokens d’entrée.
`nemotron-embed-vl`		POST /v1/embeddings — représentations vectorielles de texte pour la recherche, le RAG et le clustering. Modèle qwen3-embedding-8b. Compatible avec OpenAI ; vous payez uniquement les tokens d’entrée.
`qwen3-embedding-0.6b`		POST /v1/embeddings — représentations vectorielles de texte pour la recherche, le RAG et le clustering. Modèle qwen3-embedding-8b. Compatible avec OpenAI ; vous payez uniquement les tokens d’entrée.

La largeur des vecteurs varie selon le modèle, et vous ne pouvez pas remplacer les modèles a posteriori sans reconstruire l’index : la colonne de la base de données est créée pour un nombre précis de dimensions. Choisissez le modèle avant de charger le premier million de vecteurs.

Exemple de requête

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"
  }'

Réponse

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

Vous êtes facturé uniquement pour les jetons d’entrée (prompt_tokens) ; les embeddings ne comportent aucun jeton de sortie. Transmettez un tableau de chaînes dans input pour vectoriser un lot en une seule requête.

← PrécédentAPI Files Suivant →Speech-to-text