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
  }
}

Crea vectores de embedding a partir de entradas de texto o multimedia. Las solicitudes de solo texto devuelven un vector por cada entrada, útil para retrieval, búsqueda semántica, clustering, clasificación y RAG. Las solicitudes que contienen multimedia (imágenes, audio o vídeo como data URIs en base64) fusionan todas las entradas en un único vector cross-modal — procese cada recurso en su propia solicitud cuando necesite un vector por recurso. Compatible con el formato de la API OpenAI Embeddings. El streaming no está soportado en este endpoint.

Autenticación

Authorization

string

requerido

Token Bearer. Use su clave API como token Bearer en el encabezado Authorization.Formato: Bearer <SUNRA_KEY>

Solicitud

Este endpoint espera un objeto.

model

string

requerido

ID del modelo de embedding a utilizar, p. ej. google/gemini-embedding-2. Consulte la página de modelos para ver los modelos de embedding disponibles.

input

string | string[]

requerido

Entradas a convertir en embedding, como una cadena de texto única o un array de cadenas. Las entradas de solo texto se procesan de forma independiente y devuelven un vector por entrada, en el mismo orden que las entradas. Las entradas multimedia se pasan como data URIs en base64 (data:image/png;base64,…, data:audio/mpeg;base64,…, data:video/mp4;base64,…) y pueden mezclarse con texto — pero cualquier solicitud que contenga multimedia devuelve un único vector fusionado para el conjunto de todas las entradas. Límites (del proveedor upstream): como máximo 6 imágenes por solicitud, vídeo de hasta 120 segundos y un presupuesto combinado de 8.192 tokens entre todas las modalidades (tokens de texto; las imágenes cuentan 258 tokens cada una, el audio 25 tokens/segundo y el vídeo 66 tokens/segundo).

dimensions

integer

El número de dimensiones de los embeddings de salida. Solo lo soportan los modelos con dimensiones de salida flexibles (Matryoshka Representation Learning). Para google/gemini-embedding-2 el valor por defecto es 3072, y se admiten valores de 128 a 3072. Los valores más pequeños truncan el vector conservando la mayor parte de la calidad semántica.

encoding_format

string

El formato de los embeddings devueltos. Puede ser float (por defecto) o base64.

Respuesta

object

string

Siempre list.

data

object[]

Una lista de objetos embedding, uno por entrada, en el orden de las entradas.

Mostrar objeto embedding

object

string

Siempre embedding.

index

integer

El índice de la entrada correspondiente.

embedding

number[]

El vector de embedding.

model

string

El modelo utilizado para crear los embeddings.

usage

object

Uso de tokens de la solicitud. Los embeddings se facturan únicamente por tokens de entrada, con tarifas específicas por modalidad (consulte la página del modelo para conocer los precios). Las solicitudes con multimedia incluyen recuentos de tokens por modalidad.

Mostrar objeto usage

prompt_tokens

integer

Número de tokens de entrada de texto.

input_image_tokens

integer

Tokens de entrada de imagen (258 por imagen). Presente solo cuando la solicitud contiene imágenes.

input_audio_tokens

integer

Tokens de entrada de audio (25 por segundo). Presente solo cuando la solicitud contiene audio.

input_video_tokens

integer

Tokens de entrada de vídeo (66 por segundo). Presente solo cuando la solicitud contiene vídeo.

total_tokens

integer

Total de tokens de entrada entre todas las modalidades (los embeddings no producen tokens de salida).

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

Descripción general

Multimodal

LLM

Bibliotecas de cliente

Create embeddings

Autenticación

Solicitud

Respuesta

​Autenticación

​Solicitud

​Respuesta

Autenticación

Solicitud

Respuesta