POST Embeddings
Создание векторных представлений текста
Доступные модели
| Модель | ID | Размерность |
|---|---|---|
| text-embedding-3-large | text-embedding-3-large | 3072 |
| text-embedding-3-small | text-embedding-3-small | 1536 |
Параметры запроса
| Параметр | Тип | Обязательный | Описание |
|---|---|---|---|
model | string | Да | ID модели |
input | string/array | Да | Текст или массив текстов |
encoding_format | string | Нет | Формат: float, base64 |
dimensions | integer | Нет | Размерность вывода |
user | string | Нет | Идентификатор конечного пользователя |
Примеры
Ответ (200)
Работа с изображениями
Некоторые модели эмбеддингов поддерживают изображения на входе — это даёт мультимодальные эмбеддинги, которые улавливают визуальный контент вместе с текстом. Полезно для поиска по изображениям, определения визуального сходства и кросс-модального поиска. Чтобы передать изображение, оберните входные данные в мультимодальный формат с массивомcontent, содержащим объекты image_url. В одном блоке ввода можно комбинировать текст и изображения.
| Модель | ID | Мультимодальная |
|---|---|---|
| Google: Gemini Embedding 2 Preview | google/gemini-embedding-2-preview | мультимодальная (текст + изображения) |
Все доступные модели
- YandexGPT Embeddings — Query:
yandex/text-search-query - YandexGPT Embeddings — Doc:
yandex/text-search-doc - Google: Gemini Embedding 001:
google/gemini-embedding-001 - Google: Gemini Embedding 2 Preview:
google/gemini-embedding-2-preview(мультимодальная) - Qwen: Qwen3 Embedding 8B:
qwen/qwen3-embedding-8b - Qwen: Qwen3 Embedding 4B:
qwen/qwen3-embedding-4b - OpenAI: Text Embedding Ada 002:
openai/text-embedding-ada-002 - OpenAI: Text Embedding 3 Small:
openai/text-embedding-3-small - OpenAI: Text Embedding 3 Large:
openai/text-embedding-3-large
Применения
Семантический поиск
RAG
Кластеризация
Классификация
Рекомендации
Используйте косинусное сходство
Авторизации
API ключ передаётся в заголовке: Authorization: Bearer <POLZA_AI_API_KEY>
Тело
Входной текст или массив текстов для создания эмбеддингов
"Пример текста для создания эмбеддинга"
Идентификатор модели для создания эмбеддингов
"thenlper/gte-base"
Формат кодирования эмбеддингов
float, base64 "float"
Размерность выходного эмбеддинга (если модель поддерживает). Должна быть меньше или равна максимальной размерности модели
x >= 1768
Уникальный идентификатор конечного пользователя для отслеживания и предотвращения злоупотреблений
"user-123"
Ответ
Уникальный идентификатор запроса
"gen_581761234567890123"
Тип объекта (всегда "list")
list "list"
Массив эмбеддингов
ID модели, которая создала эмбеддинги
"thenlper/gte-base"
Информация об использовании токенов