Saltar al contenido principal
POST
/
v1
/
embeddings
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
  }
}

​
Cuerpo de la solicitud

​
model
string
requerido
ID del modelo de embedding a utilizar (ej., text-embedding-3-small).
​
input
string | array
requerido
Texto de entrada para generar el embedding. Puede ser una cadena o un array de cadenas.
​
encoding_format
string
predeterminado:"float"
Formato para los embeddings: float o base64.
​
dimensions
integer
Número de dimensiones para la salida (específico del modelo).
​
user
string
Un identificador único que representa a su usuario final para el monitoreo de abusos.

​
Modelos disponibles

ModeloDimensionesDescripción
text-embedding-3-large3072Mejor calidad
text-embedding-3-small1536Equilibrado
text-embedding-ada-0021536Legacy

​
Respuesta

​
object
string
Siempre list.
​
data
array
Array de objetos de embedding.Cada objeto contiene:
  • object (string): embedding
  • index (integer): Índice en el array de entrada
  • embedding (array): El vector de embedding
​
model
string
Modelo utilizado.
​
usage
object
Uso de tokens con prompt_tokens y 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 por lotes

# 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")