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
}
}
LLM
Create embeddings
POST
/
v1
/
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
}
}
Cria vetores de embedding a partir de entradas de texto ou mídia. Requisições somente de texto retornam um vetor por entrada, útil para recuperação de informação, busca semântica, clustering, classificação e RAG. Requisições contendo mídia (imagens, áudio ou vídeo como data URIs base64) fundem todas as entradas em um único vetor cross-modal — envie cada ativo em sua própria requisição quando precisar de um vetor por ativo. Compatível com o formato da API OpenAI Embeddings. Streaming não é suportado neste endpoint.
Autenticação
string
obrigatório
Token Bearer. Use sua chave de API como token Bearer no cabeçalho Authorization.Formato:
Bearer <SUNRA_KEY>Requisição
Este endpoint espera um objeto.string
obrigatório
ID do modelo de embedding a ser usado, por exemplo
google/gemini-embedding-2. Consulte a página de modelos para ver os modelos de embedding disponíveis.string | string[]
obrigatório
Entradas a serem convertidas em embedding, como uma única string ou um array de strings. Entradas somente de texto são processadas de forma independente, retornando um vetor por entrada na ordem das entradas. Entradas de mídia são passadas como data URIs base64 (
data:image/png;base64,…, data:audio/mpeg;base64,…, data:video/mp4;base64,…) e podem ser misturadas com texto — mas qualquer requisição contendo mídia retorna um único vetor fundido para todas as entradas combinadas. Limites (do upstream): no máximo 6 imagens por requisição, vídeo de até 120 segundos e um orçamento combinado de 8.192 tokens em todas as modalidades (tokens de texto; cada imagem conta 258 tokens, áudio 25 tokens/segundo, vídeo 66 tokens/segundo).integer
O número de dimensões dos embeddings de saída. Suportado apenas por modelos com dimensões de saída flexíveis (Matryoshka Representation Learning). Para
google/gemini-embedding-2, o padrão é 3072, e valores de 128 a 3072 são suportados. Valores menores truncam o vetor preservando a maior parte da qualidade semântica.string
O formato dos embeddings retornados. Pode ser
float (padrão) ou base64.Resposta
string
Sempre
list.object[]
string
O modelo usado para criar os embeddings.
object
Uso de tokens da requisição. Embeddings são cobrados apenas pelos tokens de entrada, com tarifas específicas por modalidade (consulte a página do modelo para ver os preços). Requisições com mídia incluem contagens de tokens por modalidade.
Mostrar objeto usage
Mostrar objeto usage
integer
Número de tokens de entrada de texto.
integer
Tokens de entrada de imagem (258 por imagem). Presente apenas quando a requisição contém imagens.
integer
Tokens de entrada de áudio (25 por segundo). Presente apenas quando a requisição contém áudio.
integer
Tokens de entrada de vídeo (66 por segundo). Presente apenas quando a requisição contém vídeo.
integer
Total de tokens de entrada em todas as modalidades (embeddings não produzem tokens de saída).
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
}
}
⌘I