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 vettori di embedding a partire da input di testo o multimediali. Le richieste di solo testo restituiscono un vettore per ogni input, utile per retrieval, ricerca semantica, clustering, classificazione e RAG. Le richieste che contengono contenuti multimediali (immagini, audio o video come data URI base64) fondono tutti gli input in un unico vettore cross-modale — effettua l’embedding di ogni asset in una richiesta separata quando ti serve un vettore per asset. Compatibile con il formato dell’API OpenAI Embeddings. Lo streaming non è supportato su questo endpoint.

Autenticazione

Authorization

string

obbligatorio

Token Bearer. Utilizza la tua chiave API come token Bearer nell’header Authorization.Format: Bearer <SUNRA_KEY>

Richiesta

Questo endpoint si aspetta un oggetto.

model

string

obbligatorio

ID del modello di embedding da utilizzare, ad es. google/gemini-embedding-2. Consulta la pagina dei modelli per i modelli di embedding disponibili.

input

string | string[]

obbligatorio

Input da trasformare in embedding, come stringa singola o come array di stringhe. Gli input di solo testo vengono elaborati in modo indipendente, restituendo un vettore per ogni input nell’ordine degli input. Gli input multimediali vengono passati come data URI base64 (data:image/png;base64,…, data:audio/mpeg;base64,…, data:video/mp4;base64,…) e possono essere combinati con il testo — ma qualsiasi richiesta che contiene contenuti multimediali restituisce un unico vettore fuso per l’insieme di tutti gli input. Limiti (upstream): al massimo 6 immagini per richiesta, video fino a 120 secondi e un budget complessivo di 8.192 token tra tutte le modalità (token di testo; le immagini contano 258 token ciascuna, l’audio 25 token/secondo, il video 66 token/secondo).

dimensions

integer

Il numero di dimensioni degli embedding in output. Supportato solo dai modelli con dimensioni di output flessibili (Matryoshka Representation Learning). Per google/gemini-embedding-2 il valore predefinito è 3072 e sono supportati valori da 128 a 3072. Valori più piccoli troncano il vettore preservando la maggior parte della qualità semantica.

encoding_format

string

Il formato degli embedding restituiti. Può essere float (predefinito) o base64.

Risposta

object

string

Sempre list.

data

object[]

Una lista di oggetti embedding, uno per ogni input, nell’ordine degli input.

Mostra oggetto embedding

object

string

Sempre embedding.

index

integer

L’indice dell’input corrispondente.

embedding

number[]

Il vettore di embedding.

model

string

Il modello utilizzato per creare gli embedding.

usage

object

Utilizzo dei token per la richiesta. Gli embedding vengono fatturati solo sui token di input, con tariffe specifiche per modalità (consulta la pagina del modello per i prezzi). Le richieste con contenuti multimediali includono i conteggi dei token per modalità.

Mostra oggetto usage

prompt_tokens

integer

Numero di token di input testuali.

input_image_tokens

integer

Token di input immagine (258 per immagine). Presente solo quando la richiesta contiene immagini.

input_audio_tokens

integer

Token di input audio (25 al secondo). Presente solo quando la richiesta contiene audio.

input_video_tokens

integer

Token di input video (66 al secondo). Presente solo quando la richiesta contiene video.

total_tokens

integer

Totale dei token di input tra tutte le modalità (gli embedding non producono token di 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

Panoramica

Multimodal

LLM

Librerie client

Create embeddings

Autenticazione

Richiesta

Risposta

​Autenticazione

​Richiesta

​Risposta

Autenticazione

Richiesta

Risposta