Embeddings
MarkdownReprésentations vectorielles du texte pour la recherche, le RAG et le regroupement en clusters.
Guide complet
POST
https://api.ailoot.ai/v1/embeddingscurl https://api.ailoot.ai/v1/embeddings \
-H "Authorization: Bearer $AILOOT_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model": "nvidia/nemotron-3-embed-1b", "input": ["Premier document", "Deuxième document"]}' emb = client.embeddings.create(
model="nvidia/nemotron-3-embed-1b",
input=["Premier document", "Deuxième document"],
)
vectors = [d.embedding for d in emb.data]{
"object": "list",
"data": [
{ "object": "embedding", "index": 0, "embedding": [0.0123, -0.0456, 0.0789, …] },
{ "object": "embedding", "index": 1, "embedding": [-0.0321, 0.0654, 0.0987, …] }
],
"model": "nvidia/nemotron-3-embed-1b",
"usage": { "prompt_tokens": 8, "total_tokens": 8 }
}Autorisation
- Authorizationheaderobligatoire
Clé au format
Bearer sk-…. Les en-têtes suivants conviennent également :x-api-keyoux-goog-api-key.
Corps de la requête
- modelstringobligatoire
Modèle d’embeddings :
nvidia/nemotron-3-embed-1b,nvidia/llama-nemotron-embed-vl-1b-v2. - inputstring | arrayobligatoire
Chaîne ou tableau de chaînes. La longueur de chaque entrée est limitée par le contexte du modèle (4096 tokens pour les modèles NVIDIA).
- encoding_formatstringfacultatif
float(par défaut) oubase64— si le modèle le prend en charge.
Réponse
- data[].embeddingarray
Vecteur de nombres pour chaque entrée, dans le même ordre.
- usageobject
Nombre de tokens d’entrée. La sortie des embeddings n’est pas facturée.
Encore des questions ? Envoyez le Request ID et une description : nous vous aiderons à comprendre.Contacter l’assistance