Passer au contenu 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
  }
}

​
Corps de la requête

​
model
string
requis
ID du modèle d’embedding à utiliser (par ex., text-embedding-3-small).
​
input
string | array
requis
Texte d’entrée à transformer en embedding. Peut être une chaîne de caractères ou un tableau de chaînes.
​
encoding_format
string
défaut:"float"
Format pour les embeddings : float ou base64.
​
dimensions
integer
Nombre de dimensions pour la sortie (spécifique au modèle).
​
user
string
Un identifiant unique représentant votre utilisateur final pour la surveillance des abus.

​
Modèles disponibles

ModèleDimensionsDescription
text-embedding-3-large3072Meilleure qualité
text-embedding-3-small1536Équilibré
text-embedding-ada-0021536Legacy

​
Réponse

​
object
string
Toujours list.
​
data
array
Tableau d’objets d’embedding.Chaque objet contient :
  • object (string) : embedding
  • index (integer) : Index dans le tableau d’entrée
  • embedding (array) : Le vecteur d’embedding
​
model
string
Modèle utilisé.
​
usage
object
Utilisation des tokens avec prompt_tokens et 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 par lots

# Transformer plusieurs textes en embeddings simultanément
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")