Ana içeriğe atla
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
  }
}

​
İstek Gövdesi

​
model
string
gerekli
Kullanılacak embedding modelinin ID’si (örneğin, text-embedding-3-small).
​
input
string | array
gerekli
Embed edilecek girdi metni. Bir string veya string dizisi (array) olabilir.
​
encoding_format
string
varsayılan:"float"
Embedding’ler için format: float veya base64.
​
dimensions
integer
Çıktı için boyut sayısı (modele özgü).
​
user
string
Kötüye kullanım izleme için son kullanıcınızı temsil eden benzersiz bir tanımlayıcı.

​
Mevcut Modeller

ModelBoyutlarAçıklama
text-embedding-3-large3072En iyi kalite
text-embedding-3-small1536Dengeli
text-embedding-ada-0021536Eski sürüm

​
Yanıt

​
object
string
Her zaman list.
​
data
array
Embedding nesneleri dizisi.Her nesne şunları içerir:
  • object (string): embedding
  • index (integer): Girdi dizisindeki dizin
  • embedding (array): Embedding vektörü
​
model
string
Kullanılan model.
​
usage
object
prompt_tokens ve total_tokens ile token kullanımı.
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
  }
}

​
Toplu Embedding’ler

# Birden fazla metni aynı anda embed edin
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")