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
}
}
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
string
gerekli
Bearer token. Authorization başlığında API anahtarınızı bearer token olarak kullanın.Format:
Bearer <SUNRA_KEY>İstek
Bu endpoint bir JSON nesnesi bekler.string
gerekli
Kullanılacak embedding modelinin kimliği, örneğin
google/gemini-embedding-2. Mevcut embedding modelleri için modeller sayfasına bakın.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).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.string
Döndürülen embedding’lerin formatı.
float (varsayılan) veya base64 olabilir.Yanıt
string
Her zaman
list.object[]
string
Embedding’leri oluşturmak için kullanılan model.
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
Göster usage nesnesi
integer
Metin girdi token’larının sayısı.
integer
Görüntü girdi token’ları (görüntü başına 258). Yalnızca istek görüntü içerdiğinde bulunur.
integer
Ses girdi token’ları (saniye başına 25). Yalnızca istek ses içerdiğinde bulunur.
integer
Video girdi token’ları (saniye başına 66). Yalnızca istek video içerdiğinde bulunur.
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
}
}
⌘I