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
  }
}

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

Authorization

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.

model

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.

input

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).

dimensions

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.

encoding_format

string

O formato dos embeddings retornados. Pode ser float (padrão) ou base64.

Resposta

object

string

Sempre list.

data

object[]

Uma lista de objetos de embedding, um por entrada, na ordem das entradas.

Mostrar objeto embedding

object

string

Sempre embedding.

index

integer

O índice da entrada correspondente.

embedding

number[]

O vetor de embedding.

model

string

O modelo usado para criar os embeddings.

usage

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

prompt_tokens

integer

Número de tokens de entrada de texto.

input_image_tokens

integer

Tokens de entrada de imagem (258 por imagem). Presente apenas quando a requisição contém imagens.

input_audio_tokens

integer

Tokens de entrada de áudio (25 por segundo). Presente apenas quando a requisição contém áudio.

input_video_tokens

integer

Tokens de entrada de vídeo (66 por segundo). Presente apenas quando a requisição contém vídeo.

total_tokens

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
  }
}

Create a response JavaScript / TypeScript

Visão geral

Multimodal

LLM

Bibliotecas de cliente

Create embeddings

Autenticação

Requisição

Resposta

​Autenticação

​Requisição

​Resposta

Autenticação

Requisição

Resposta