Embeddings
MarkdownWektorowe reprezentacje tekstu do wyszukiwania, RAG i klasteryzacji.
Pełny przewodnik
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": ["Pierwszy dokument", "Drugi dokument"]}' emb = client.embeddings.create(
model="nvidia/nemotron-3-embed-1b",
input=["Pierwszy dokument", "Drugi dokument"],
)
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 }
}Autoryzacja
- Authorizationheaderwymagany
Klucz w postaci
Bearer sk-…. Można też użyć nagłówkówx-api-keylubx-goog-api-key.
Treść żądania
- modelstringwymagany
Model embeddingów:
nvidia/nemotron-3-embed-1b,nvidia/llama-nemotron-embed-vl-1b-v2. - inputstring | arraywymagany
Ciąg znaków lub tablica ciągów znaków. Długość pojedynczego wejścia jest ograniczona kontekstem modelu (w modelach NVIDIA — 4096 tokenów).
- encoding_formatstringopcjonalny
float(domyślnie) lubbase64— jeśli model obsługuje.
Odpowiedź
- data[].embeddingarray
Wektor liczb dla każdego wejścia, w tej samej kolejności.
- usageobject
Liczba tokenów wejściowych. Za wyjście embeddingów nie pobiera się opłaty.
Dodatkowe pytania? Prześlij Request ID i opis — pomożemy wyjaśnić sprawę.Napisz do wsparcia