Text & Chat
Embedding erstellen
Erstellt einen Embedding-Vektor, der den Eingabetext repräsentiert
Verwenden Sie GET /v1/models?recommended_for=embedding, um aktuelle Embedding-Modelle aufzulisten. Verwenden Sie ein Modell, in dessen Details die Operation embedding oder text-embedding aufgeführt ist. Ein Modell, das multimodal-embedding auflistet, gibt hier 400 unsupported_endpoint zurück; senden Sie dieses an Multimodale Embeddings erstellen.
Request-Body
Dieser Endpunkt gibt die Antwort zurück, sobald die Vektoren bereit sind. Setzen Sie bei großen Batches das Timeout Ihres HTTP-Clients auf mindestens 120s.
ID des zu verwendenden Embedding-Modells (z. B. text-embedding-3-small).
Einzubettender Text: ein String oder ein Array von Strings. Modelle, die Token-Eingaben unterstützen, akzeptieren auch number[] für eine einzelne Token-Sequenz oder number[][] für mehrere Sequenzen. Die Anzahl der Elemente, Tokens pro Element und Tokens pro Anfrage hängen vom Modell ab; lesen Sie diese über GET /v1/models/{model} aus.
floatFormat für die Embeddings: float oder base64.
Anzahl der Dimensionen jedes zurückgegebenen Vektors, eine positive Ganzzahl. Übergeben Sie diesen Parameter nur, wenn in den Modelldetails dimensions aufgeführt ist; das Maximum hängt vom Modell ab.
Eine eindeutige Kennung, die Ihren Endnutzer für das Missbrauchs-Monitoring repräsentiert.
Antwort
Immer list.
Array von Embedding-Objekten.
Jedes Objekt enthält:
object(string):embeddingindex(integer): Index im Eingabe-Arrayembedding(array | string): Ein numerischer Vektor fürfloatoder ein Base64-String fürbase64.
Verwendetes Modell.
Token-Nutzung mit prompt_tokens und total_tokens.
Anfrage
curl -X POST "https://api.tokenlab.sh/v1/embeddings" \
-H "Authorization: Bearer sk-your-api-key" \
-H "Content-Type: application/json" \
-d '{
"model": "text-embedding-3-small",
"input": "The quick brown fox jumps over the lazy dog"
}'Der Beispielvektor wurde aus Gründen der Lesbarkeit gekürzt.
Antwort
{
"object": "list",
"data": [
{
"object": "embedding",
"index": 0,
"embedding": [0.0023, -0.0194, 0.0081]
}
],
"model": "text-embedding-3-small",
"usage": {
"prompt_tokens": 9,
"total_tokens": 9
}
}Batch-Embeddings
# Embed multiple texts at once
response = client.embeddings.create(
model="text-embedding-3-small",
input=[
"First document text",
"Second document text",
"Third document text"
]
)
for i, data in enumerate(response.data):
print(f"Document {i}: {len(data.embedding)} dimensions")Fehler
| Status | Code | Ursache |
|---|---|---|
400 | invalid_request | Ein Feld fehlt oder hat den falschen Typ. param gibt dieses an |
400 | unsupported_endpoint | Das Modell ist für diesen Endpunkt nicht freigegeben |
413 | Der Request-Body ist zu groß |
Behandeln Sie andere Statuscodes wie in API-Fehler behandeln beschrieben.
Verwandte Schnittstellen
Verwenden Sie für Modelle, die multimodal-embedding auflisten, Multimodale Embeddings erstellen.
Autorisierung
BearerAuth API-Key-Authentifizierung. Erstellen oder verwalten Sie API-Keys unter Dashboard > API > API Keys.
Ort: header
Header
Zustellungsrichtlinie pro Anfrage. Überschreibt die API-Key- und Workspace-Standardeinstellungen. Versucht automatisch zuerst TokenLab Verified und kann vor der Ausgabe, der Annahme der Anfrage oder der Erstellung persistenter Ressourcen einmalig auf Official umstellen.
Zulässige Werte
- "auto"
- "verified"
- "official"
Anfragekörper
application/json
Antwort
application/json
application/json
application/json
application/json
application/json
application/json
application/json
application/json