Texto
Criar Embedding
Cria um vetor de embedding representando o texto de entrada
Use GET /v1/models?recommended_for=embedding para listar os modelos de embedding atuais. Use um modelo cujos detalhes listem a operação embedding ou text-embedding. Um modelo que lista multimodal-embedding retorna 400 unsupported_endpoint aqui; envie-o para Criar Embeddings Multimodais.
Corpo da requisição
Este endpoint retorna após os vetores estarem prontos. Para lotes grandes, defina o timeout do seu cliente HTTP para pelo menos 120s.
ID do modelo de embedding a ser usado (por exemplo, text-embedding-3-small).
Texto a ser convertido em embedding: uma string ou um array de strings. Modelos que suportam entrada de tokens também aceitam number[] para uma sequência de tokens ou number[][] para múltiplas sequências. O número de itens, tokens por item e tokens por requisição dependem do modelo; consulte-os em GET /v1/models/{model}.
floatFormato para os embeddings: float ou base64.
Número de dimensões de cada vetor retornado, um número inteiro positivo. Envie-o apenas quando os detalhes do modelo listarem dimensions; o máximo depende do modelo.
Um identificador exclusivo que representa seu usuário final para monitoramento de abusos.
Resposta
Sempre list.
Array de objetos de embedding.
Cada objeto contém:
object(string):embeddingindex(integer): Índice no array de entradaembedding(array | string): Um vetor numérico parafloat, ou uma string Base64 parabase64.
Modelo utilizado.
Uso de tokens com prompt_tokens e total_tokens.
Requisição
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"
}'O vetor de exemplo foi encurtado para facilitar a leitura.
Resposta
{
"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 em lote
# 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")Erros
| Status | Código | Causa |
|---|---|---|
400 | invalid_request | Um campo está ausente ou tem o tipo incorreto. param o identifica |
400 | unsupported_endpoint | O modelo não está publicado para este endpoint |
413 | O corpo da requisição é grande demais |
Trate outros status conforme descrito em Tratar erros da API.
Interfaces relacionadas
Para modelos que listam multimodal-embedding, use Criar Embeddings Multimodais.
Autorização
BearerAuth Autenticação por Chave de API. Crie ou gerencie chaves de API em Dashboard > API > API Keys.
Local: header
Cabeçalhos
Política de entrega por solicitação. Substitui os padrões da API key e do Workspace. Tenta automaticamente o TokenLab Verified primeiro e pode alternar uma vez para Official apenas antes da saída, aceitação da solicitação ou criação de recurso persistente.
Valores permitidos
- "auto"
- "verified"
- "official"
Corpo da requisição
application/json
Resposta
application/json
application/json
application/json
application/json
application/json
application/json
application/json
application/json