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
  }
}

テキストまたはメディア入力から embedding ベクトルを作成します。テキストのみのリクエストは入力ごとに1つのベクトルを返し、検索、セマンティック検索、クラスタリング、分類、RAG に適しています。メディア（base64 data URI として渡す画像、音声、動画）を含むリクエストは、すべての入力を単一のクロスモーダルベクトルに融合します。アセットごとに1つのベクトルが必要な場合は、各アセットを個別のリクエストで embedding してください。OpenAI Embeddings API フォーマットと互換性があります。このエンドポイントはストリーミングに対応していません。

認証

Authorization

string

必須

Bearerトークン。APIキーをAuthorizationヘッダーのBearerトークンとして使用してください。Format: Bearer <SUNRA_KEY>

リクエスト

このエンドポイントはJSONオブジェクトを受け付けます。

model

string

必須

使用する embedding モデルのID。例：google/gemini-embedding-2。利用可能な embedding モデルはモデルページをご覧ください。

input

string | string[]

必須

embedding する入力。単一の文字列または文字列の配列を指定できます。テキストのみの入力は独立して embedding され、入力と同じ順序で入力ごとに1つのベクトルが返されます。メディア入力は base64 data URI（data:image/png;base64,…、data:audio/mpeg;base64,…、data:video/mp4;base64,…）として渡し、テキストと混在させることもできます。ただし、メディアを含むリクエストは、すべての入力をまとめて融合した単一のベクトルを返します。制限（上流側）：1リクエストあたり画像は最大6枚、動画は最長120秒、全モダリティ合計で 8,192 トークンまで（テキストトークン換算。画像は1枚あたり258トークン、音声は1秒あたり25トークン、動画は1秒あたり66トークン）。

dimensions

integer

出力 embedding の次元数。柔軟な出力次元（Matryoshka Representation Learning）に対応したモデルでのみ利用できます。google/gemini-embedding-2 のデフォルトは 3072 で、128 から 3072 までの値に対応しています。小さい値はベクトルを切り詰めますが、意味的な品質はほぼ維持されます。

encoding_format

string

返される embedding のフォーマット。float（デフォルト）または base64。

レスポンス

object

string

常に list です。

data

object[]

embedding オブジェクトのリスト。入力ごとに1つ、入力順に並びます。

表示 embedding オブジェクト

object

string

常に embedding です。

index

integer

対応する入力のインデックス。

embedding

number[]

embedding ベクトル。

model

string

embedding の作成に使用されたモデル。

usage

object

リクエストのトークン使用量。embedding は入力トークンのみで課金され、モダリティごとに料金が異なります（料金はモデルページをご覧ください）。メディアを含むリクエストにはモダリティ別のトークン数が含まれます。

表示 usage オブジェクト

prompt_tokens

integer

テキスト入力のトークン数。

input_image_tokens

integer

画像入力のトークン数（1枚あたり258）。リクエストに画像が含まれる場合のみ返されます。

input_audio_tokens

integer

音声入力のトークン数（1秒あたり25）。リクエストに音声が含まれる場合のみ返されます。

input_video_tokens

integer

動画入力のトークン数（1秒あたり66）。リクエストに動画が含まれる場合のみ返されます。

total_tokens

integer

全モダリティ合計の入力トークン数（embedding は出力トークンを生成しません）。

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

概要

Multimodal

LLM

クライアントライブラリ

Create embeddings

認証

リクエスト

レスポンス

​認証

​リクエスト

​レスポンス

認証

リクエスト

レスポンス