Embeddings

POST /v1/embeddings — representações vetoriais de texto para pesquisa, RAG e clustering. Seis modelos, além de um alias legado, com dimensões de 768 a 4096. Compatível com OpenAI; você paga apenas pelos tokens de entrada.

Embeddings transformam texto em um vetor numérico para busca semântica, RAG, agrupamento e recomendações. O endpoint é totalmente compatível com OpenAI: somente o endereço base e a chave mudam.

POSThttps://getvibeapi.com/v1/embeddings

Parâmetros do corpo

Parâmetro	Tipo	Descrição
`model`req.	string	O modelo de embedding (veja abaixo).
`input`req.	string \| string[]	Um texto ou uma matriz de textos. Uma matriz = um lote em uma única solicitação.
`encoding_format`	"float" \| "base64"	O formato dos vetores na resposta. O padrão é float.
`dimensions`	integer	Largura de saída opcional. Para text-embedding-3-small, somente 1536 é compatível.

Modelos e preço

Parâmetro	Tipo	Descrição
`text-embedding-3-small`		POST /v1/embeddings — representações vetoriais de texto para pesquisa, RAG e clustering. Modelo qwen3-embedding-8b. Compatível com OpenAI; você paga apenas pelos tokens de entrada.
`qwen3-embedding-8b`		POST /v1/embeddings — representações vetoriais de texto para pesquisa, RAG e clustering. Modelo qwen3-embedding-8b. Compatível com OpenAI; você paga apenas pelos tokens de entrada.
`bge-m3`		POST /v1/embeddings — representações vetoriais de texto para pesquisa, RAG e clustering. Modelo qwen3-embedding-8b. Compatível com OpenAI; você paga apenas pelos tokens de entrada.
`multilingual-e5-large`		POST /v1/embeddings — representações vetoriais de texto para pesquisa, RAG e clustering. Modelo qwen3-embedding-8b. Compatível com OpenAI; você paga apenas pelos tokens de entrada.
`embeddinggemma-300m`		POST /v1/embeddings — representações vetoriais de texto para pesquisa, RAG e clustering. Modelo qwen3-embedding-8b. Compatível com OpenAI; você paga apenas pelos tokens de entrada.
`nemotron-embed-vl`		POST /v1/embeddings — representações vetoriais de texto para pesquisa, RAG e clustering. Modelo qwen3-embedding-8b. Compatível com OpenAI; você paga apenas pelos tokens de entrada.
`qwen3-embedding-0.6b`		POST /v1/embeddings — representações vetoriais de texto para pesquisa, RAG e clustering. Modelo qwen3-embedding-8b. Compatível com OpenAI; você paga apenas pelos tokens de entrada.

A largura do vetor varia por modelo, e você não pode trocar de modelo posteriormente sem reconstruir o índice: a coluna do banco de dados é criada para um número específico de dimensões. Escolha o modelo antes de carregar o primeiro milhão de vetores.

Exemplo de solicitação

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"
  }'

Resposta

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

Você paga apenas pelos tokens de entrada (prompt_tokens); embeddings não têm tokens de saída. Passe um array de strings em input para vetorizar um lote em uma única solicitação.

← AnteriorAPI de arquivos Próximo →Conversão de fala em texto