Embeddings
MarkdownVektoriniai teksto atvaizdai paieškai, RAG ir klasterizavimui.
Visas vadovas
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": ["Pirmasis dokumentas", "Antrasis dokumentas"]}' emb = client.embeddings.create(
model="nvidia/nemotron-3-embed-1b",
input=["Pirmasis dokumentas", "Antrasis dokumentas"],
)
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 }
}Autorizacija
- Authorizationheaderprivalomas
Raktas formatu
Bearer sk-…. Taip pat tinka antraštėsx-api-keyarbax-goog-api-key.
Užklausos turinys
- modelstringprivalomas
Vektorinių atvaizdų modelis:
nvidia/nemotron-3-embed-1b,nvidia/llama-nemotron-embed-vl-1b-v2. - inputstring | arrayprivalomas
Eilutė arba eilučių masyvas. Vienos įvesties ilgį riboja modelio kontekstas (NVIDIA modeliams — 4096 žetonai).
- encoding_formatstringneprivalomas
float(numatytoji reikšmė) arbabase64— jei modelis palaiko.
Atsakymas
- data[].embeddingarray
Skaičių vektorius kiekvienai įvesčiai ta pačia tvarka.
- usageobject
Įvesties žetonų skaičius. Vektorinių atvaizdų išvestis neapmokestinama.
Liko klausimų? Atsiųskite Request ID ir aprašymą — padėsime išsiaiškinti.Rašyti pagalbos tarnybai