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
  }
}

Membuat vektor embedding dari input teks atau media. Permintaan yang hanya berisi teks mengembalikan satu vektor per input, berguna untuk retrieval, pencarian semantik, clustering, klasifikasi, dan RAG. Permintaan yang berisi media (gambar, audio, atau video sebagai base64 data URI) menggabungkan semua input menjadi satu vektor lintas-modal — embed setiap aset dalam permintaannya masing-masing jika Anda membutuhkan satu vektor per aset. Kompatibel dengan format OpenAI Embeddings API. Streaming tidak didukung pada endpoint ini.

Autentikasi

Authorization

string

wajib

Bearer token. Gunakan kunci API Anda sebagai bearer token di header Authorization.Format: Bearer <SUNRA_KEY>

Permintaan

Endpoint ini menerima sebuah objek.

model

string

wajib

ID model embedding yang akan digunakan, mis. google/gemini-embedding-2. Lihat halaman model untuk model embedding yang tersedia.

input

string | string[]

wajib

Input yang akan di-embed, sebagai satu string atau array string. Input yang hanya berupa teks di-embed secara independen, mengembalikan satu vektor per input dalam urutan input. Input media diberikan sebagai base64 data URI (data:image/png;base64,…, data:audio/mpeg;base64,…, data:video/mp4;base64,…) dan dapat dicampur dengan teks — tetapi setiap permintaan yang berisi media mengembalikan satu vektor gabungan untuk seluruh input sekaligus. Batasan (upstream): maksimal 6 gambar per permintaan, video hingga 120 detik, dan anggaran gabungan 8.192 token di seluruh modalitas (token teks; setiap gambar dihitung 258 token, audio 25 token/detik, video 66 token/detik).

dimensions

integer

Jumlah dimensi untuk embedding output. Hanya didukung oleh model dengan dimensi output fleksibel (Matryoshka Representation Learning). Untuk google/gemini-embedding-2 nilai default-nya adalah 3072, dan nilai dari 128 hingga 3072 didukung. Nilai yang lebih kecil memotong vektor sambil mempertahankan sebagian besar kualitas semantik.

encoding_format

string

Format embedding yang dikembalikan. Antara float (default) atau base64.

Respons

object

string

Selalu list.

data

object[]

Daftar objek embedding, satu per input, dalam urutan input.

Tampilkan embedding object

object

string

Selalu embedding.

index

integer

Indeks input yang bersangkutan.

embedding

number[]

Vektor embedding.

model

string

Model yang digunakan untuk membuat embedding.

usage

object

Penggunaan token untuk permintaan ini. Embedding hanya ditagih berdasarkan token input, dengan tarif spesifik per modalitas (lihat halaman model untuk harga). Permintaan media menyertakan jumlah token per modalitas.

Tampilkan usage object

prompt_tokens

integer

Jumlah token input teks.

input_image_tokens

integer

Token input gambar (258 per gambar). Hanya ada jika permintaan berisi gambar.

input_audio_tokens

integer

Token input audio (25 per detik). Hanya ada jika permintaan berisi audio.

input_video_tokens

integer

Token input video (66 per detik). Hanya ada jika permintaan berisi video.

total_tokens

integer

Total token input di seluruh modalitas (embedding tidak menghasilkan token output).

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

Ikhtisar

Multimodal

LLM

Pustaka Klien

Create embeddings

Autentikasi

Permintaan

Respons

​Autentikasi

​Permintaan

​Respons

Autentikasi

Permintaan

Respons