Эмбеддинги

POST /v1/embeddings — векторные представления текста для поиска, RAG и кластеризации. Шесть моделей плюс устаревший алиас, от 768 до 4096 измерений. Совместимо с OpenAI; вы платите только за входные токены.

Эмбеддинги превращают текст в числовой вектор для семантического поиска, RAG, кластеризации и рекомендаций. Эндпоинт полностью совместим с OpenAI — меняются только базовый адрес и ключ.

POSThttps://getvibeapi.com/v1/embeddings

Параметры тела

Параметр	Тип	Описание
`model`req.	string	Модель для embedding (см. ниже).
`input`req.	string \| string[]	Текст или массив текстов. Массив = пакет в одном запросе.
`encoding_format`	"float" \| "base64"	Формат вектора в ответе. По умолчанию float.
`dimensions`	integer	Необязательная размерность вывода. Для text-embedding-3-small поддерживается только 1536.

Модели и цена

Параметр	Тип	Описание
`text-embedding-3-small`		POST /v1/embeddings — векторные представления текста для поиска, RAG и кластеризации. Модель qwen3-embedding-8b. Совместимо с OpenAI; вы платите только за входные токены.
`qwen3-embedding-8b`		POST /v1/embeddings — векторные представления текста для поиска, RAG и кластеризации. Модель qwen3-embedding-8b. Совместимо с OpenAI; вы платите только за входные токены.
`bge-m3`		POST /v1/embeddings — векторные представления текста для поиска, RAG и кластеризации. Модель qwen3-embedding-8b. Совместимо с OpenAI; вы платите только за входные токены.
`multilingual-e5-large`		POST /v1/embeddings — векторные представления текста для поиска, RAG и кластеризации. Модель qwen3-embedding-8b. Совместимо с OpenAI; вы платите только за входные токены.
`embeddinggemma-300m`		POST /v1/embeddings — векторные представления текста для поиска, RAG и кластеризации. Модель qwen3-embedding-8b. Совместимо с OpenAI; вы платите только за входные токены.
`nemotron-embed-vl`		POST /v1/embeddings — векторные представления текста для поиска, RAG и кластеризации. Модель qwen3-embedding-8b. Совместимо с OpenAI; вы платите только за входные токены.
`qwen3-embedding-0.6b`		POST /v1/embeddings — векторные представления текста для поиска, RAG и кластеризации. Модель qwen3-embedding-8b. Совместимо с OpenAI; вы платите только за входные токены.

Ширина вектора различается для разных моделей, и после создания индекса модели уже нельзя поменять без его перестройки: столбец базы данных создаётся под конкретное число измерений. Выберите модель до того, как загрузите первый миллион векторов.

Пример запроса

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"
  }'

Ответ

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

Вы платите только за входные токены (prompt_tokens); у эмбеддингов нет выходных токенов. Передайте массив строк в input, чтобы векторизовать пакет одним запросом.

← НазадFiles API Далее →Распознавание речи