Эмбеддинги
Преобразует текст в векторы для семантического поиска, RAG, кластеризации и рекомендаций.
RequestREQUEST
POST
https://console.viprouter.net/v1/embeddingsResponseRESPONSE
Fill in the request and hit Send — the response shows up here
Запрос
curl https://console.viprouter.net/v1/embeddings \
-H "Content-Type: application/json" \
-H "Authorization: Bearer sk-your-token" \
-d '{
"model": "text-embedding-3-small",
"input": "Vip Router is a unified model gateway"
}'
Тело запроса
| Параметр | Тип | Обязательно | Описание |
|---|---|---|---|
model | string | Да | Модель эмбеддингов, например text-embedding-3-small, text-embedding-3-large, text-embedding-ada-002 |
input | string / array | Да | Строка или массив строк (пакетный режим) — лимиты на запрос зависят от модели |
dimensions | integer | Нет | Размерность выходного вектора (серия text-embedding-3 поддерживает снижение размерности) |
encoding_format | string | Нет | float (по умолчанию) или base64 |
user | string | Нет | Идентификатор конечного пользователя |
Ответ
{
"object": "list",
"data": [
{
"object": "embedding",
"index": 0,
"embedding": [0.0023, -0.0091, 0.0154, "..."]
}
],
"model": "text-embedding-3-small",
"usage": {
"prompt_tokens": 12,
"total_tokens": 12
}
}
| Поле | Описание |
|---|---|
data[].embedding | Массив вектора — по умолчанию 1536 размерностей (text-embedding-3-small) / 3072 (-large) |
data[].index | Индекс соответствующей входной строки |
usage.prompt_tokens | Количество оплачиваемых токенов |
Пакетные запросы
{
"model": "text-embedding-3-small",
"input": ["first document", "second document", "third document"]
}
Возвращаемый data содержит index, соответствующий порядку входных данных. Один пакетный вызов быстрее и экономичнее по числу запросов, чем вызовы по одному элементу.
Использование SDK
from openai import OpenAI
client = OpenAI(
api_key="sk-your-token",
base_url="https://console.viprouter.net/v1",
)
resp = client.embeddings.create(
model="text-embedding-3-small",
input=["Document A", "Document B"],
)
vectors = [item.embedding for item in resp.data]
Примечание
Нативные эндпоинты эмбеддингов Gemini (/v1beta/models/{model}:embedContent и др.) также проксируются — параметры соответствуют официальному формату Gemini, см. документацию Google.