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
}
}
LLM
Create embeddings
POST
/
v1
/
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
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.string
erforderlich
ID des zu verwendenden Embedding-Modells, z. B.
google/gemini-embedding-2. Verfügbare Embedding-Modelle finden Sie auf der Modellseite.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).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.string
Das Format der zurückgegebenen Embeddings. Entweder
float (Standard) oder base64.Antwort
string
Immer
list.object[]
string
Das zur Erstellung der Embeddings verwendete Modell.
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
Anzeigen Usage-Objekt
integer
Anzahl der Text-Eingabe-Tokens.
integer
Bild-Eingabe-Tokens (258 pro Bild). Nur vorhanden, wenn die Anfrage Bilder enthält.
integer
Audio-Eingabe-Tokens (25 pro Sekunde). Nur vorhanden, wenn die Anfrage Audio enthält.
integer
Video-Eingabe-Tokens (66 pro Sekunde). Nur vorhanden, wenn die Anfrage Video enthält.
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
}
}
⌘I