Langsung ke konten utama
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
  }
}

​
Request Body

​
model
string
wajib
ID model embedding yang akan digunakan (misalnya, text-embedding-3-small).
​
input
string | array
wajib
Teks input untuk di-embed. Dapat berupa string atau array string.
​
encoding_format
string
default:"float"
Format untuk embedding: float atau base64.
​
dimensions
integer
Jumlah dimensi untuk output (spesifik untuk model).
​
user
string
Pengidentifikasi unik yang merepresentasikan pengguna akhir Anda untuk pemantauan penyalahgunaan.

​
Model yang Tersedia

ModelDimensiDeskripsi
text-embedding-3-large3072Kualitas terbaik
text-embedding-3-small1536Seimbang
text-embedding-ada-0021536Legacy

​
Respons

​
object
string
Selalu list.
​
data
array
Array dari objek embedding.Setiap objek berisi:
  • object (string): embedding
  • index (integer): Indeks dalam array input
  • embedding (array): Vektor embedding
​
model
string
Model yang digunakan.
​
usage
object
Penggunaan token dengan prompt_tokens dan 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
  }
}

​
Batch Embedding

# Embed beberapa teks sekaligus
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")