Create embeddings

curl -X POST https://api-llm.sunra.ai/v1/embeddings \
  -H "Authorization: Bearer <SUNRA_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/gemini-embedding-2",
    "input": [
      "The quick brown fox jumps over the lazy dog.",
      "Sunra is a platform for AI models."
    ],
    "dimensions": 768
  }'

import requests

response = requests.post(
    "https://api-llm.sunra.ai/v1/embeddings",
    headers={
        "Authorization": "Bearer <SUNRA_KEY>",
        "Content-Type": "application/json"
    },
    json={
        "model": "google/gemini-embedding-2",
        "input": [
            "The quick brown fox jumps over the lazy dog.",
            "Sunra is a platform for AI models."
        ],
        "dimensions": 768
    }
)
print(response.json())

const response = await fetch("https://api-llm.sunra.ai/v1/embeddings", {
  method: "POST",
  headers: {
    "Authorization": "Bearer <SUNRA_KEY>",
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    model: "google/gemini-embedding-2",
    input: [
      "The quick brown fox jumps over the lazy dog.",
      "Sunra is a platform for AI models."
    ],
    dimensions: 768
  })
});
const data = await response.json();
console.log(data);

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.011253, -0.020551, 0.049236, "..."]
    },
    {
      "object": "embedding",
      "index": 1,
      "embedding": [0.031744, 0.008122, -0.014307, "..."]
    }
  ],
  "model": "google/gemini-embedding-2",
  "usage": {
    "prompt_tokens": 18,
    "total_tokens": 18
  }
}

POST

embeddings

curl -X POST https://api-llm.sunra.ai/v1/embeddings \
  -H "Authorization: Bearer <SUNRA_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/gemini-embedding-2",
    "input": [
      "The quick brown fox jumps over the lazy dog.",
      "Sunra is a platform for AI models."
    ],
    "dimensions": 768
  }'

import requests

response = requests.post(
    "https://api-llm.sunra.ai/v1/embeddings",
    headers={
        "Authorization": "Bearer <SUNRA_KEY>",
        "Content-Type": "application/json"
    },
    json={
        "model": "google/gemini-embedding-2",
        "input": [
            "The quick brown fox jumps over the lazy dog.",
            "Sunra is a platform for AI models."
        ],
        "dimensions": 768
    }
)
print(response.json())

const response = await fetch("https://api-llm.sunra.ai/v1/embeddings", {
  method: "POST",
  headers: {
    "Authorization": "Bearer <SUNRA_KEY>",
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    model: "google/gemini-embedding-2",
    input: [
      "The quick brown fox jumps over the lazy dog.",
      "Sunra is a platform for AI models."
    ],
    dimensions: 768
  })
});
const data = await response.json();
console.log(data);

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.011253, -0.020551, 0.049236, "..."]
    },
    {
      "object": "embedding",
      "index": 1,
      "embedding": [0.031744, 0.008122, -0.014307, "..."]
    }
  ],
  "model": "google/gemini-embedding-2",
  "usage": {
    "prompt_tokens": 18,
    "total_tokens": 18
  }
}

Erstellt Embedding-Vektoren aus Text- oder Medieneingaben. Reine Text-Anfragen geben einen Vektor pro Eingabe zurück, nützlich für Retrieval, semantische Suche, Clustering, Klassifikation und RAG. Anfragen mit Medien (Bilder, Audio oder Video als base64-Daten-URIs) verschmelzen alle Eingaben zu einem einzigen modalitätsübergreifenden Vektor — betten Sie jedes Asset in einer eigenen Anfrage ein, wenn Sie einen Vektor pro Asset benötigen. Kompatibel mit dem OpenAI Embeddings API-Format. Streaming wird auf diesem Endpunkt nicht unterstützt.

Authentifizierung

Authorization

string

erforderlich

Bearer-Token. Verwenden Sie Ihren API-Schlüssel als Bearer-Token im Authorization-Header.Format: Bearer <SUNRA_KEY>

Anfrage

Dieser Endpunkt erwartet ein Objekt.

model

string

erforderlich

ID des zu verwendenden Embedding-Modells, z. B. google/gemini-embedding-2. Verfügbare Embedding-Modelle finden Sie auf der Modellseite.

input

string | string[]

erforderlich

Die einzubettenden Eingaben, als einzelner String oder als Array von Strings. Reine Text-Eingaben werden unabhängig eingebettet und liefern einen Vektor pro Eingabe in der Reihenfolge der Eingaben. Medieneingaben werden als base64-Daten-URIs übergeben (data:image/png;base64,…, data:audio/mpeg;base64,…, data:video/mp4;base64,…) und können mit Text gemischt werden — jede Anfrage, die Medien enthält, gibt jedoch einen einzigen fusionierten Vektor für alle Eingaben zusammen zurück. Limits (Upstream): höchstens 6 Bilder pro Anfrage, Video bis zu 120 Sekunden und ein gemeinsames Budget von 8.192 Tokens über alle Modalitäten hinweg (Text-Tokens; Bilder zählen je 258 Tokens, Audio 25 Tokens/Sekunde, Video 66 Tokens/Sekunde).

dimensions

integer

Die Anzahl der Dimensionen für die Ausgabe-Embeddings. Wird nur von Modellen mit flexiblen Ausgabedimensionen unterstützt (Matryoshka Representation Learning). Für google/gemini-embedding-2 ist der Standardwert 3072, und Werte von 128 bis 3072 werden unterstützt. Kleinere Werte kürzen den Vektor, wobei der größte Teil der semantischen Qualität erhalten bleibt.

encoding_format

string

Das Format der zurückgegebenen Embeddings. Entweder float (Standard) oder base64.

Antwort

object

string

Immer list.

data

object[]

Eine Liste von Embedding-Objekten, eines pro Eingabe, in der Reihenfolge der Eingaben.

Anzeigen Embedding-Objekt

object

string

Immer embedding.

index

integer

Der Index der zugehörigen Eingabe.

embedding

number[]

Der Embedding-Vektor.

model

string

Das zur Erstellung der Embeddings verwendete Modell.

usage

object

Token-Verbrauch für die Anfrage. Embeddings werden nur nach Eingabe-Tokens abgerechnet, mit modalitätsspezifischen Sätzen (die Preise finden Sie auf der Modellseite). Medien-Anfragen enthalten Token-Zahlen pro Modalität.

Anzeigen Usage-Objekt

prompt_tokens

integer

Anzahl der Text-Eingabe-Tokens.

input_image_tokens

integer

Bild-Eingabe-Tokens (258 pro Bild). Nur vorhanden, wenn die Anfrage Bilder enthält.

input_audio_tokens

integer

Audio-Eingabe-Tokens (25 pro Sekunde). Nur vorhanden, wenn die Anfrage Audio enthält.

input_video_tokens

integer

Video-Eingabe-Tokens (66 pro Sekunde). Nur vorhanden, wenn die Anfrage Video enthält.

total_tokens

integer

Gesamte Eingabe-Tokens über alle Modalitäten hinweg (Embeddings erzeugen keine Ausgabe-Tokens).

curl -X POST https://api-llm.sunra.ai/v1/embeddings \
  -H "Authorization: Bearer <SUNRA_KEY>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/gemini-embedding-2",
    "input": [
      "The quick brown fox jumps over the lazy dog.",
      "Sunra is a platform for AI models."
    ],
    "dimensions": 768
  }'

import requests

response = requests.post(
    "https://api-llm.sunra.ai/v1/embeddings",
    headers={
        "Authorization": "Bearer <SUNRA_KEY>",
        "Content-Type": "application/json"
    },
    json={
        "model": "google/gemini-embedding-2",
        "input": [
            "The quick brown fox jumps over the lazy dog.",
            "Sunra is a platform for AI models."
        ],
        "dimensions": 768
    }
)
print(response.json())

const response = await fetch("https://api-llm.sunra.ai/v1/embeddings", {
  method: "POST",
  headers: {
    "Authorization": "Bearer <SUNRA_KEY>",
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    model: "google/gemini-embedding-2",
    input: [
      "The quick brown fox jumps over the lazy dog.",
      "Sunra is a platform for AI models."
    ],
    dimensions: 768
  })
});
const data = await response.json();
console.log(data);

{
  "object": "list",
  "data": [
    {
      "object": "embedding",
      "index": 0,
      "embedding": [0.011253, -0.020551, 0.049236, "..."]
    },
    {
      "object": "embedding",
      "index": 1,
      "embedding": [0.031744, 0.008122, -0.014307, "..."]
    }
  ],
  "model": "google/gemini-embedding-2",
  "usage": {
    "prompt_tokens": 18,
    "total_tokens": 18
  }
}

Create a response JavaScript / TypeScript

Überblick

Multimodal

LLM

Client-Bibliotheken

Create embeddings

Authentifizierung

Anfrage

Antwort

​Authentifizierung

​Anfrage

​Antwort

Authentifizierung

Anfrage

Antwort