الانتقال إلى المحتوى الرئيسي

Documentation Index

Fetch the complete documentation index at: https://docs.lemondata.cc/llms.txt

Use this file to discover all available pages before exploring further.

​
جسم الطلب

مهلة الطلبات المتزامنة: ينتظر هذا الـ endpoint غير الخاص بالمحادثة حتى ينتهي النموذج الذي تم التوجيه إليه. قد تتجاوز المدخلات الكبيرة أو الصوت الطويل أو الدُفعات الكبيرة القيمة الافتراضية الشائعة للعميل وهي 30s، لذا اضبط مهلة عميل HTTP على 120s على الأقل.
​
model
string
مطلوب
معرّف نموذج الـ embedding المراد استخدامه (على سبيل المثال: text-embedding-3-small).
​
input
string | array
مطلوب
النص المُدخل لتحويله إلى embedding. يمكن أن يكون سلسلة نصية أو مصفوفة من السلاسل النصية.
​
encoding_format
string
افتراضي:"float"
التنسيق الخاص بالـ embeddings: float أو base64.
​
dimensions
integer
عدد الأبعاد في المخرجات (يعتمد على النموذج).
​
user
string
معرّف فريد يمثّل المستخدم النهائي الخاص بك لمراقبة إساءة الاستخدام.

​
النماذج المتاحة

النموذجالأبعادالوصف
text-embedding-3-large3072أفضل جودة
text-embedding-3-small1536متوازن
text-embedding-ada-0021536قديم

​
الاستجابة

​
object
string
دائمًا list.
​
data
array
مصفوفة من كائنات embedding.يحتوي كل كائن على:
  • object (string): embedding
  • index (integer): الفهرس في مصفوفة الإدخال
  • embedding (array): متجه الـ embedding
​
model
string
النموذج المستخدم.
​
usage
object
استخدام الـ token مع prompt_tokens و total_tokens.
curl -X POST "https://api.lemondata.cc/v1/embeddings" \
  -H "Authorization: Bearer sk-your-api-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "text-embedding-3-small",
    "input": "The quick brown fox jumps over the lazy dog"
  }'

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.0023, -0.0194, 0.0081, ...]
    }
  ],
  "model": "text-embedding-3-small",
  "usage": {
    "prompt_tokens": 9,
    "total_tokens": 9
  }
}

​
Embeddings الدفعية

# Embed multiple texts at once
response = client.embeddings.create(
    model="text-embedding-3-small",
    input=[
        "First document text",
        "Second document text",
        "Third document text"
    ]
)

for i, data in enumerate(response.data):
    print(f"Document {i}: {len(data.embedding)} dimensions")