docs
API

Embeddings

Markdown

Векторные представления текста для поиска, RAG и кластеризации.

Полное руководство
POSThttps://api.ailoot.ai/v1/embeddings
Embeddings
curl 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"]}' 
200 OK
{
  "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 заголовки x-api-key или x-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) или base64 — 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