文本
创建 Embedding 向量
把文本转换为 Embedding 向量
请求体
该接口会在向量生成完成后返回。批量文本较多时，请将 HTTP 客户端超时设为至少 120s。
modelstring必填
Embedding 模型 ID，例如 text-embedding-3-small。
inputstring | array必填
待转换的文本，可以是字符串或字符串数组。支持 token 输入的模型还可接收 number[]（一组 token）或 number[][]（多组 token）。
encoding_formatstring默认值:
float向量格式：float 或 base64。
dimensionsinteger
输出维度，支持范围取决于模型。
userstring
终端用户标识，可用于安全与滥用防护。
可用模型
通过 GET /v1/models?recommended_for=embedding 获取当前模型及维度信息。
响应
objectstring
始终为 list。
dataarray
Embedding 结果数组。
每个对象包含：
object（string）：embeddingindex（integer）：在输入数组中的索引embedding(array | string):float返回数值向量，base64返回 Base64 字符串。
modelstring
使用的模型。
usageobject
Token 用量，包含 prompt_tokens 和 total_tokens。
请求
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"
}'示例中的向量已缩短，便于阅读。
响应
{
"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
}
}批量 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")授权
BearerAuth AuthorizationBearer <token>
API Key 身份验证。在 Dashboard > API > API Keys 中创建或管理 API Key。
位置: header
请求头
X-TokenLab-Delivery-Policy?string
单次请求的交付策略。覆盖 API 密钥和 Workspace 的默认设置。自动优先尝试 TokenLab Verified，并在输出、请求接受或持久资源创建之前，可能会切换一次至仅限 Official。
可选值
- "auto"
- "verified"
- "official"
请求体
application/json
响应
application/json
application/json
application/json
application/json
application/json
application/json
application/json