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
  }
}

Metin veya medya girdilerinden embedding vektörleri oluşturur. Yalnızca metin içeren istekler her girdi için bir vektör döndürür; bilgi getirme, semantik arama, kümeleme, sınıflandırma ve RAG için kullanışlıdır. Medya içeren istekler (base64 data URI olarak görüntü, ses veya video) tüm girdileri tek bir çapraz-modal vektörde birleştirir — her varlık için ayrı bir vektör gerekiyorsa her varlığı kendi isteğinde gönderin. OpenAI Embeddings API formatıyla uyumludur. Bu endpoint’te akış (streaming) desteklenmez.

Kimlik Doğrulama

Authorization

string

gerekli

Bearer token. Authorization başlığında API anahtarınızı bearer token olarak kullanın.Format: Bearer <SUNRA_KEY>

İstek

Bu endpoint bir JSON nesnesi bekler.

model

string

gerekli

Kullanılacak embedding modelinin kimliği, örneğin google/gemini-embedding-2. Mevcut embedding modelleri için modeller sayfasına bakın.

input

string | string[]

gerekli

Embedding’e dönüştürülecek girdiler; tek bir string veya string dizisi olabilir. Yalnızca metin içeren girdiler bağımsız olarak işlenir ve girdi sırasına göre her girdi için bir vektör döndürülür. Medya girdileri base64 data URI olarak iletilir (data:image/png;base64,…, data:audio/mpeg;base64,…, data:video/mp4;base64,…) ve metinle karıştırılabilir — ancak medya içeren herhangi bir istek, tüm girdilerin birleşimi için tek bir birleştirilmiş vektör döndürür. Limitler (upstream): istek başına en fazla 6 görüntü, en fazla 120 saniyelik video ve tüm modaliteler genelinde toplam 8.192 token bütçesi (metin token’ları; her görüntü 258 token, ses saniyede 25 token, video saniyede 66 token olarak sayılır).

dimensions

integer

Çıktı embedding’lerinin boyut sayısı. Yalnızca esnek çıktı boyutlarına sahip modeller tarafından desteklenir (Matryoshka Representation Learning). google/gemini-embedding-2 için varsayılan değer 3072 olup 128 ile 3072 arasındaki değerler desteklenir. Daha küçük değerler, semantik kalitenin büyük kısmını koruyarak vektörü kısaltır.

encoding_format

string

Döndürülen embedding’lerin formatı. float (varsayılan) veya base64 olabilir.

Yanıt

object

string

Her zaman list.

data

object[]

Girdi sırasına göre, her girdi için bir tane olmak üzere embedding nesnelerinin listesi.

Göster embedding nesnesi

object

string

Her zaman embedding.

index

integer

İlgili girdinin dizini.

embedding

number[]

Embedding vektörü.

model

string

Embedding’leri oluşturmak için kullanılan model.

usage

object

İstek için token kullanımı. Embedding’ler yalnızca girdi token’ları üzerinden, modaliteye özgü tarifelerle ücretlendirilir (fiyatlandırma için model sayfasına bakın). Medya içeren isteklerde modalite başına token sayıları yer alır.

Göster usage nesnesi

prompt_tokens

integer

Metin girdi token’larının sayısı.

input_image_tokens

integer

Görüntü girdi token’ları (görüntü başına 258). Yalnızca istek görüntü içerdiğinde bulunur.

input_audio_tokens

integer

Ses girdi token’ları (saniye başına 25). Yalnızca istek ses içerdiğinde bulunur.

input_video_tokens

integer

Video girdi token’ları (saniye başına 66). Yalnızca istek video içerdiğinde bulunur.

total_tokens

integer

Tüm modaliteler genelinde toplam girdi token’ı sayısı (embedding’ler çıktı token’ı üretmez).

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

Genel Bakış

Multimodal

LLM

İstemci Kütüphaneleri

Create embeddings

Kimlik Doğrulama

İstek

Yanıt

​Kimlik Doğrulama

​İstek

​Yanıt

Kimlik Doğrulama

İstek

Yanıt