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
  }
}

Crée des vecteurs d’embedding à partir d’entrées texte ou média. Les requêtes contenant uniquement du texte retournent un vecteur par entrée, utile pour le retrieval, la recherche sémantique, le clustering, la classification et le RAG. Les requêtes contenant des médias (images, audio ou vidéo sous forme de data URIs base64) fusionnent toutes les entrées en un seul vecteur cross-modal — encodez chaque asset dans sa propre requête si vous avez besoin d’un vecteur par asset. Compatible avec le format de l’API OpenAI Embeddings. Le streaming n’est pas pris en charge sur cet endpoint.

Authentification

Authorization

string

requis

Jeton Bearer. Utilisez votre clé API comme jeton Bearer dans l’en-tête Authorization.Format : Bearer <SUNRA_KEY>

Requête

Cet endpoint attend un objet.

model

string

requis

ID du modèle d’embedding à utiliser, par exemple google/gemini-embedding-2. Consultez la page des modèles pour les modèles d’embedding disponibles.

input

string | string[]

requis

Entrées à encoder, sous forme d’une chaîne de caractères unique ou d’un tableau de chaînes. Les entrées uniquement textuelles sont encodées indépendamment et retournent un vecteur par entrée, dans l’ordre des entrées. Les entrées média sont transmises sous forme de data URIs base64 (data:image/png;base64,…, data:audio/mpeg;base64,…, data:video/mp4;base64,…) et peuvent être mélangées avec du texte — mais toute requête contenant des médias retourne un seul vecteur fusionné pour l’ensemble des entrées. Limites (côté amont) : au plus 6 images par requête, vidéo jusqu’à 120 secondes, et un budget combiné de 8 192 tokens toutes modalités confondues (tokens de texte ; les images comptent 258 tokens chacune, l’audio 25 tokens/seconde, la vidéo 66 tokens/seconde).

dimensions

integer

Le nombre de dimensions des embeddings en sortie. Pris en charge uniquement par les modèles à dimensions de sortie flexibles (Matryoshka Representation Learning). Pour google/gemini-embedding-2, la valeur par défaut est 3072, et les valeurs de 128 à 3072 sont prises en charge. Des valeurs plus petites tronquent le vecteur tout en préservant l’essentiel de la qualité sémantique.

encoding_format

string

Le format des embeddings retournés. Soit float (par défaut), soit base64.

Réponse

object

string

Toujours list.

data

object[]

Une liste d’objets embedding, un par entrée, dans l’ordre des entrées.

Afficher objet embedding

object

string

Toujours embedding.

index

integer

L’index de l’entrée correspondante.

embedding

number[]

Le vecteur d’embedding.

model

string

Le modèle utilisé pour créer les embeddings.

usage

object

Utilisation des tokens pour la requête. Les embeddings sont facturés uniquement sur les tokens d’entrée, avec des tarifs propres à chaque modalité (consultez la page du modèle pour les tarifs). Les requêtes contenant des médias incluent le décompte de tokens par modalité.

Afficher objet usage

prompt_tokens

integer

Nombre de tokens d’entrée textuels.

input_image_tokens

integer

Tokens d’entrée image (258 par image). Présent uniquement lorsque la requête contient des images.

input_audio_tokens

integer

Tokens d’entrée audio (25 par seconde). Présent uniquement lorsque la requête contient de l’audio.

input_video_tokens

integer

Tokens d’entrée vidéo (66 par seconde). Présent uniquement lorsque la requête contient de la vidéo.

total_tokens

integer

Total des tokens d’entrée toutes modalités confondues (les embeddings ne produisent pas de tokens de sortie).

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

Aperçu

Multimodal

LLM

Bibliothèques clientes

Create embeddings

Authentification

Requête

Réponse

​Authentification

​Requête

​Réponse

Authentification

Requête

Réponse