API

Embeddings

เวกเตอร์แทนข้อความสำหรับการค้นหา RAG และการจัดกลุ่ม

คู่มือฉบับเต็ม

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": ["เอกสารฉบับแรก", "เอกสารฉบับที่สอง"]}'

emb = client.embeddings.create(
    model="nvidia/nemotron-3-embed-1b",
    input=["เอกสารฉบับแรก", "เอกสารฉบับที่สอง"],
)
vectors = [d.embedding for d in emb.data]

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 }
}

การยืนยันสิทธิ์

Authorizationheaderจำเป็น
คีย์ในรูปแบบ Bearer sk-…. ใช้เฮดเดอร์ต่อไปนี้ได้เช่นกัน x-api-key หรือ x-goog-api-key.

เนื้อหาคำขอ

modelstringจำเป็น
โมเดลสร้างเอ็มเบดดิง: nvidia/nemotron-3-embed-1b, nvidia/llama-nemotron-embed-vl-1b-v2.
inputstring | arrayจำเป็น
สตริงหรืออาร์เรย์ของสตริง ความยาวของอินพุตแต่ละรายการจำกัดตามบริบทของโมเดล (สำหรับโมเดล NVIDIA — 4096 โทเค็น)
encoding_formatstringไม่จำเป็น
float (ค่าเริ่มต้น) หรือ base64 — หากโมเดลรองรับ

คำตอบ

data[].embeddingarray
เวกเตอร์ตัวเลขสำหรับอินพุตแต่ละรายการ ตามลำดับเดิม
usageobject
จำนวนโทเค็นขาเข้า ไม่คิดค่าบริการขาออกของเอ็มเบดดิง

ยังมีคำถามอยู่ใช่ไหม ส่ง Request ID และรายละเอียดมาให้เรา เราจะช่วยตรวจ⁠สอบติดต่อฝ่ายสนับสนุน

curl https://api.ailoot.ai/v1/embeddings \ -H "Authorization: Bearer $AILOOT_API_KEY" \ -H "Content-Type: application/json" \ -d '{"model": "nemotron-3-embed", "input": ["เอกสารฉบับแรก", "เอกสารฉบับที่สอง"]}'

emb = client.embeddings.create( model="nemotron-3-embed", input=["เอกสารฉบับแรก", "เอกสารฉบับที่สอง"], ) 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": "nemotron-3-embed", "usage": { "prompt_tokens": 8, "total_tokens": 8 } }