Embeddings
MarkdownВекторные представления текста для поиска, RAG и кластеризации.
Полное руководство
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": ["Первый документ", "Второй документ"]}' emb = client.embeddings.create(
model="nvidia/nemotron-3-embed-1b",
input=["Первый документ", "Второй документ"],
)
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 }
}Авторизация
- Authorizationheaderобязательный
Ключ в виде
Bearer sk-…. Также подойдут заголовкиx-api-keyилиx-goog-api-key.
Тело запроса
- modelstringобязательный
Модель эмбеддингов:
nvidia/nemotron-3-embed-1b,nvidia/llama-nemotron-embed-vl-1b-v2. - inputstring | arrayобязательный
Строка или массив строк. Длина одного входа ограничена контекстом модели (у моделей NVIDIA — 4096 токенов).
- encoding_formatstringнеобязательный
float(по умолчанию) илиbase64— если модель поддерживает.
Ответ
- data[].embeddingarray
Вектор чисел для каждого входа, в том же порядке.
- usageobject
Число токенов входа. Выход у эмбеддингов не оплачивается.
Остались вопросы? Пришлите Request ID и описание — поможем разобраться.Написать в поддержку