Texto
Crear Embedding
Crea un vector de embedding que representa el texto de entrada
Utilice GET /v1/models?recommended_for=embedding para listar los modelos de embedding actuales. Utilice un modelo en cuyos detalles figure la operación embedding o text-embedding. Un modelo que indique multimodal-embedding devolverá 400 unsupported_endpoint aquí; envíelo a Crear embeddings multimodales.
Cuerpo de la solicitud
Este endpoint responde una vez que los vectores están listos. Para lotes grandes, configure el tiempo de espera de su cliente HTTP en al menos 120s.
ID del modelo de embedding a utilizar (por ejemplo, text-embedding-3-small).
Texto para generar el embedding: una cadena o un array de cadenas. Los modelos que admiten entrada de tokens también aceptan number[] para una secuencia de tokens o number[][] para múltiples secuencias. La cantidad de elementos, tokens por elemento y tokens por solicitud dependen del modelo; consúltelos en GET /v1/models/{model}.
floatFormato de los embeddings: float o base64.
Número de dimensiones de cada vector devuelto, un número entero positivo. Envíelo únicamente cuando los detalles del modelo listen dimensions; el máximo depende del modelo.
Un identificador único que representa a su usuario final para el monitoreo de abusos.
Respuesta
Siempre list.
Array de objetos de embedding.
Cada objeto contiene:
object(string):embeddingindex(integer): Índice en el array de entradaembedding(array | string): Un vector numérico parafloat, o una cadena Base64 parabase64.
Modelo utilizado.
Uso de tokens con prompt_tokens y total_tokens.
Solicitud
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"
}'El vector de ejemplo se ha acortado para facilitar la lectura.
Respuesta
{
"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
}
}Embeddings por lotes
# 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")Errores
| Estado | Código | Causa |
|---|---|---|
400 | invalid_request | Falta un campo o tiene un tipo incorrecto. param indica cuál |
400 | unsupported_endpoint | El modelo no está publicado para este endpoint |
413 | El cuerpo de la solicitud es demasiado grande |
Gestione otros estados como se describe en Gestionar errores de la API.
Interfaces relacionadas
Para los modelos que listen multimodal-embedding, utilice Crear embeddings multimodales.
Autorización
BearerAuth Autenticación con API Key. Cree o gestione API keys en Dashboard > API > API Keys.
Ubicación: header
Encabezados
Política de entrega por solicitud. Sustituye los valores predeterminados de la API key y del Workspace. Auto intenta primero con TokenLab Verified y puede cambiar una vez a Official solo antes de la salida, la aceptación de la solicitud o la creación de recursos persistentes.
Valores permitidos
- "auto"
- "verified"
- "official"
Cuerpo de la solicitud
application/json
Respuesta
application/json
application/json
application/json
application/json
application/json
application/json
application/json
application/json